Generative artificial intelligence for heart sound analysis : From model architectures to clinical applications

Share

Abstract

La auscultación cardíaca consiste en escuchar los sonidos cardíacos para diagnosticar afecciones cardíacas. La interpretación precisa de estos sonidos requiere una experiencia considerable, lo que limita la consistencia entre clínicos y entornos. Aunque el aprendizaje profundo ofrece un camino hacia la automatización, la escasez de datos, el desequilibrio de clases y la complejidad de la señal plantean desafíos para su aplicación al análisis de sonidos cardíacos. Este estudio presenta un examen integral pionero de cómo los modelos de inteligencia artificial generativa (IA generativa), incluidas las redes generativas antagónicas, los autoencoders variacionales, los modelos de difusión y las arquitecturas basadas en transformadores, pueden abordar los desafíos clave del análisis de sonidos cardíacos. En concreto, estos modelos mitigan las limitaciones fundamentales sintetizando señales de sonido cardíaco de alta fidelidad para la aumentación de datos, mejorando la calidad de la señal mediante técnicas avanzadas de eliminación de ruido, y permitiendo la detección semisupervisada y no supervisada de afecciones patológicas raras. Además, discutimos su papel en el aprendizaje avanzado de características y la traducción entre modalidades. A pesar del notable progreso, destacamos desafíos futuros, incluyendo garantizar la fidelidad fisiológica, mejorar la interpretabilidad de los modelos y validar la utilidad clínica. En conclusión, la IA generativa aborda un desafío traslacional clave al permitir una evaluación cardíaca experta accesible, precisa y escalable, apoyando así la implementación de la cardiología de precisión. [Traducción automática al español; idioma original: inglés.]