Exploration of Supervised Machine Learning Integration as a Pulmonary Auscultation Diagnostic Tool Under Different Levels of Gaussian White Noise
| Author | Affiliation |
|---|---|
| Advisor(s) |
|---|
| Other(s) | |
|---|---|
Recenzentas / Reviewer | |
Komisijos pirmininkas / Committee Chairman | |
Komisijos narys / Committee Member | |
Voicehovska Julija Genri | Komisijos narys / Committee Member |
Marozas, Vaidotas | Komisijos narys / Committee Member |
| Date |
|---|
2025-06-18 |
Plaučių auskultacija yra svarbi pirminiam kvėpavimo sistemos įvertinimui ir egzistuoja jau daugiau nei du šimtmečius, tačiau vis dar susiduriama su sunkumais dėl aplinkoje esamo triukšmo, kuris trukdo ją atlikti klinikinėje praktikoje. Anotuoti mašininio mokymosi (MM) modeliai yra perspektyvūs diagnostikos srityje, daugumoje tyrimų neatsižvelgiama į triukšmo poveikį jiems bei nėra tyrimų palyginančių žmogiškuosius subjektus su MM modeliais tomis pačiomis eksperimentinėmis sąlygomis. Išlieka žinių stoka, kaip saugiai integruoti šią technologiją kaip diagnostinį asistentą klinikinėje praktikoje. Buvo sukurtas perspektyvinis tyrimas, kurio tikslas - palyginti 45 medicinos studentų ir 24 spektrogramomis ir skalogramomis pagrįstų MM modelių gebėjimą teisingai klasifikuoti tris plaučių garsų klases esant trims Gauso baltojo triukšmo (GBT) lygiams (be pridėtinio GBT, SNR-40, SNR-20). Iš 108 pacientų auskultacijų buvo sukurta 250 įrašų nauja trijų klasių plaučių garsų (normalių, sausų ir drėgnų patologinių garsų) duomenų bazė. 250 plaučių garsų įrašų buvo naudojami mokymui ir vertinimui santykiu 80/20. GBT buvo pridėtas prie vertinimo įrašų. Tiriamųjų grupių rezultatai buvo lyginami naudojant PR-AUC, ROC-AUC, Motiejaus koreliacijos koeficientą, jautrumą ir specifiškumą. Rezultatai rodo, kad spektrograma pagrįsti MM modeliai buvo pranašesni už skalograminius (0,837 prieš 0,735 ROC-AUC, p < 0,001). Spektrograma pagrįstas Histgradient MM modelis buvo vienas iš geriausiai veikiančių modelių, pranokęs studentus drėgnų karkalų atpažinimo tyliomis sąlygomis ir vidutinio (SNR-40) triukšmo lygio sąlygomis (p = 0,002). Priešingai, studentai aplenkė MM esant dideliam triukšmui (SNR-20) lygyje (p = 0,009). Identifikuotas MM, turintis perspektyvą tapti klinikiniu auskultacijų asistentu.
Lung auscultation has long been essential for pulmonary assessment, yet it still faces challenges due to ambient noise in clinical settings. While supervised machine learning (ML) shows diagnostic promise, most studies overlook noise effects and human-ML comparisons. As a result, there is a paucity of knowledge on how to safely integrate this technology as a diagnostic assistant in the clinical field. A prospective study was created to compare 45 medical students and 24 spectrogram-based vs. scalogram-based ML models' ability to correctly classify three lung sound classes under three Gaussian white noise (GWN) levels (no GWN added, SNR-40, SNR-20). A proprietary database of three classes of lung sounds: normal, continuous and discontinuous adventitious sounds was created from 108 patients and 250 recordings. The 250 lung sound recordings were used for training and assessment at an 80/20 split. GWN was added to assessment recordings used at SNR-40 (medium level) and SNR-20 (high level). Study group performances were compared via PR-AUC, ROC-AUC, Matthews correlation coefficient, sensitivity, and specificity. The results show that spectrogram ML outperformed scalogram (0.837 vs 0.735 ROC-AUC, P < 0.001). Spectrogram-based Histgradient ML was one of the best-performing models, surpassing students for discontinuous sounds identification in quiet conditions and medium (SNR-40) (P = 0.002). In contrast, students outperformed ML in high noise (SNR-20) (P = 0.009). Therefore, machine learning models can potentially aid healthcare workers as a clinical assistant.