AI- Enhanced Stethoscope in Remote Diagnostics for Cardiopulmonary Diseases

Technische Samenvatting: AI-gestuurde Stethoscoop voor Remote Diagnostiek van Cardiopulmonale Ziekten

Probleemstelling
Cardiovasculaire en pulmonale ziekten vormen een leidende oorzaak van wereldwijde sterfte, maar tijdige diagnose blijft een aanzienlijke uitdaging, met name in afgelegen en onderbemande regio's. Traditionele auscultatie is sterk afhankelijk van de subjectieve interpretatie van bekwame beoefenaars, een hulpbron die vaak schaars is in ontwikkelingsgebieden. Hoewel digitale stethoscopen bestaan, beperkt hun hoge prijs de toegankelijkheid, en zijn veel bestaande door AI aangedreven diagnostische modellen beperkt tot het afzonderlijk analyseren van hart- of longgeluiden, in plaats van gelijktijdig. Bovendien worstelen veel huidige modellen met een onbalans in klassen in datasets en missen ze de lichtgewicht architectuur die noodzakelijk is voor implementatie op goedkope ingebouwde apparaten.

Methodologie
De auteurs stellen een hybride deep learning-model voor dat is ontworpen om te draaien op goedkope ingebouwde hardware, geïntegreerd met een traditionele stethoscoop die is aangepast met een microfoon voor geluidsopname. De systeemworkflow omvat de volgende technische fasen:

1. Dataverzameling en Pre-processing:

   • Hardware: Een standaard stethoscoop aangesloten via een 3,5-mm jack op een apparaat dat een webapplicatie host.
   • Signaalverwerking: Ruwe auscultatiesignalen (25–400 Hz) worden gefilterd met een bandpassfilter van de tweede orde (Butterworth), opnieuw bemonsterd naar 1000 Hz, en afgeknipt tot sequenties van 2,5 seconden (2500 datapunten). Signalen worden genormaliseerd naar het bereik (-1, 1).
   • Augmentatie: Om de onbalans in klassen aan te pakken (met name in het ICBHI 2017 longdataset), worden technieken zoals ruis toevoegen, tijdelijke verschuiving en verandering van toonhoogte/snelheid toegepast op ondervertegenwoordigde klassen.

2. Feature Extractie:

   • Het systeem maakt gebruik van Mel-Frequency Cepstral Coefficients (MFCC's) om essentiële audio-kenmerken vast te leggen die de menselijke auditieve waarneming nabootsen.
   • Het proces omvat windowing, Fourier-transformatie naar het frequentiedomein, toepassing van Mel-filterbanken, logaritmische compressie en Discrete Cosine Transform (DCT).
   • De invoervorm voor het model is gedefinieerd als (1, 52) MFCC-kenmerken.

3. Modelarchitectuur (Hybride CNN-GRU):

   • De kerninnovatie is een hybride architectuur die Convolutional Neural Networks (CNN) combineert voor ruimtelijke feature-extractie en Gated Recurrent Units (GRU) voor het leren van temporele sequenties.
   • CNN-lagen: Twee convolutielagen (respectievelijk 256 en 512 filters) met een kernelgrootte van 11, gevolgd door max-pooling, batch-normalisatie en ReLU-activering.
   • GRU-lagen: Vijf sets GRU-lagen met variërende eenheden (32, 64, 128) met 'tanh'-activering, waarbij de uitgangen worden gecombineerd via een additieve laag.
   • Classificatie: Dichte lagen met Leaky ReLU-activering leiden tot een laatste uitvoerlaag met 11 eenheden en softmax-activering voor meerklasse-classificatie.

4. Training en Implementatie:

   • Het model wordt getraind met de Adam-optimizer (leerfrequentie 0,0002) en Categorical Crossentropy-verlies.
   • Technieken zoals Early Stopping (geduld van 300 epoch) en Model Checkpointing worden ingezet om overfitting te voorkomen.
   • Het getrainde model wordt geïmplementeerd via een Streamlit-gebaseerde webapplicatie, waardoor realtime analyse mogelijk is van audio die is opgenomen met de goedkope stethoscoop en telemedicine wordt mogelijk gemaakt via het genereren van e-mailrapporten.

Belangrijkste Bijdragen

• Gelijktijdige Diagnose: In tegenstelling tot eerdere werken die zich richten op óf hart- óf longgeluiden, diagnoseert dit model gelijktijdig 11 verschillende klassen: 5 cardiovasculaire aandoeningen (Aortastenose, Mitralisstenose, Mitralisinsufficiëntie, Normaal, Prolaps van de mitralisklep) en 6 pulmonale aandoeningen (Pneumonie, Bronchiëctasie, Bronchiolitis, Bovenste luchtweginfectie, COPD, Gezond).
• Kosteneffectieve Toegankelijkheid: Het systeem is expliciet ontworpen voor goedkope ingebouwde apparaten, met als doel de kloof te overbruggen in settings met beperkte middelen waar high-end digitale stethoscopen onbetaalbaar zijn.
• Hybride Architectuur: De integratie van CNN en GRU maakt gebruik van zowel frequentie-gebaseerde als temporele afhankelijkheden, waardoor beperkingen van losstaande modellen worden aangepakt.
• End-to-End Systeem: Het artikel presenteert een complete workflow van hardware-opstelling tot een functionele webinterface voor remote consultatie.

Resultaten
De studie evalueerde het voorgestelde hybride model tegen losstaande CNN- en GRU-modellen met behulp van metrieken zoals Precisie, Recall, F1-score en Nauwkeurigheid.

• Longgeluiden: De losstaande CNN behaalde een gemiddelde nauwkeurigheid van 74,16%, en de GRU behaalde 75,83%. Het hybride CNN+GRU-model verbeterde de prestaties aanzienlijk, met een gemiddelde nauwkeurigheid van 94% (met specifieke klassen-nauwkeurigheden variërend van 75% voor Pneumonie tot 94% voor Bronchiolitis).
• Hartgeluiden: De losstaande CNN behaalde 81% nauwkeurigheid, en de GRU behaalde 83%. Het hybride model behaalde een gemiddelde nauwkeurigheid van 94% over alle hartklassen (bijvoorbeeld 94,01% voor Aortastenose, 94,09% voor Normaal).
• Vergelijking: Het hybride model toonde superieure prestaties bij het hanteren van onbalans in klassen en complexe feature-extractie in vergelijking met individuele modellen, zoals blijkt uit confusiematrices en vergelijkende metriektabellen.

Betekenis en Claims
De auteurs claimen dat dit werk een transformatieve stap voorstelt naar gestandaardiseerde, toegankelijke gezondheidszorg. Door een kosteneffectieve stethoscoop te integreren met een efficiënt AI-model, streeft het systeem ernaar:

• Menselijke fouten in diagnose te verminderen.
• Realtime analyse te bieden in afgelegen gebieden waar bekwame beoefenaars ontbreken.
• Telemedicine-workflows te faciliteren via een gebruiksvriendelijke interface die het niet-experts mogelijk maakt data op te nemen en door te sturen naar artsen.

Het artikel concludeert dat, hoewel de huidige resultaten veelbelovend zijn, het systeem grootschalige klinische testen vereist en verdere uitbreiding van de data over diverse ziekenhuizen om de effectiviteit volledig te valideren en het model te verfijnen voor bredere implementatie. De auteurs handhaven een bescheiden toon, waarbij zij erkennen dat de huidige studie een proof-of-concept is voor een goedkope, door AI aangedreven diagnostische tool.