ترجمه فارسی مقاله مقایسه مدل‌های یادگیری عمیق برای تشخیص مستقیم نارسایی تنفسی در مقابل تخمین اشباع اکسیژن خون

چکیده

We contrast high effectiveness of state of the art deep learning architectures designed for general audio classification tasks, refined for respiratory insufficiency (RI) detection and blood oxygen saturation (SpO$_2$) estimation and classification through automated audio analysis. Recently, multiple deep learning architectures have been proposed to detect RI in COVID patients through audio analysis, achieving accuracy above 95% and F1-score above 0.93. RI is a condition associated with low SpO$_2$ levels, commonly defined as the threshold SpO$_2$ <92%. While SpO$_2$ serves as a crucial determinant of RI, a medical doctor's diagnosis typically relies on multiple factors. These include respiratory frequency, heart rate, SpO$_2$ levels, among others. Here we study pretrained audio neural networks (CNN6, CNN10 and CNN14) and the Masked Autoencoder (Audio-MAE) for RI detection, where these models achieve near perfect accuracy, surpassing previous results. Yet, for the regression task of estimating SpO$_2$ levels, the models achieve root mean square error values exceeding the accepted clinical range of 3.5% for finger oximeters. Additionally, Pearson correlation coefficients fail to surpass 0.3. As deep learning models perform better in classification than regression, we transform SpO$_2$-regression into a SpO$_2$-threshold binary classification problem, with a threshold of 92%. However, this task still yields an F1-score below 0.65. Thus, audio analysis offers valuable insights into a patient's RI status, but does not provide accurate information about actual SpO$_2$ levels, indicating a separation of domains in which voice and speech biomarkers may and may not be useful in medical diagnostics under current technologies.

چکیده به فارسی (ترجمه ماشینی)

ما در تضاد با اثربخشی بالا از معماری های یادگیری عمیق هنر که برای کارهای طبقه بندی صوتی عمومی طراحی شده است ، تصفیه شده برای نارسایی تنفس (RI) و اشباع اکسیژن خون (SPO $ _2 $) تخمین و طبقه بندی از طریق تجزیه و تحلیل خودکار صوتی.به تازگی ، چندین معمار یادگیری عمیق برای تشخیص RI در بیماران COVID از طریق تجزیه و تحلیل صوتی ، دستیابی به دقت بالاتر از 95 ٪ و F1-Score بالاتر از 0.93 پیشنهاد شده است.RI شرایطی است که با سطح SPO کم $ _2 $ همراه است ، که معمولاً به عنوان آستانه SPO $ _2 $ <92 ٪ تعریف می شود.در حالی که SPO $ _2 $ به عنوان یک تعیین کننده مهم RI عمل می کند ، تشخیص پزشک پزشکی به طور معمول به عوامل مختلفی متکی است.این موارد شامل فرکانس تنفسی ، ضربان قلب ، سطح SPO $ _2 $ در میان دیگران است.در اینجا ما شبکه های عصبی صوتی پیش ساخته (CNN6 ، CNN10 و CNN14) و Autoencoder ماسک (Audio-MAE) را برای تشخیص RI مطالعه می کنیم ، جایی که این مدل ها با دقت کامل به دقت کامل می رسند.با این حال ، برای کار رگرسیون تخمین سطح SPO $ _2 $ ، مدلها به مقادیر خطای مربعی بیش از محدوده بالینی پذیرفته شده 3.5 ٪ برای اکسیسیم های انگشت می رسند.علاوه بر این ، ضرایب همبستگی پیرسون از 0.3 پیشی نمی گیرند.از آنجا که مدل های یادگیری عمیق نسبت به رگرسیون عملکرد بهتری نسبت به رگرسیون دارند ، ما SPO $ _2 $ رگرسیون را به یک مشکل طبقه بندی باینری آستانه SPO $ $ $-با آستانه 92 ٪ تبدیل می کنیم.با این حال ، این کار هنوز هم یک نمره F1 زیر 0.65 را به همراه دارد.بنابراین ، تجزیه و تحلیل صوتی بینش ارزشمندی در مورد وضعیت RI بیمار ارائه می دهد ، اما اطلاعات دقیقی در مورد سطح واقعی SPO $ _2 $ ارائه نمی دهد ، و این نشانگر جداسازی دامنه هایی است که در آن نشانگرهای زیستی صدا و گفتار ممکن است و ممکن است در تشخیص پزشکی تحت فناوری های فعلی مفید نباشدبشر [sc name="papertranslation"][/sc]