Fakhry, MahmoudBrery, Abeer Fath Allah2026-09-282026-09-282026-03Fakhry, M & Brery, A F A 2026, 'Generative artificial intelligence for heart sound analysis : From model architectures to clinical applications', Intelligent Systems with Applications, vol. 29, 200637. https://doi.org/10.1016/j.iswa.2026.2006372667-3053https://hdl.handle.net/10641/8323Publisher Copyright: © 2026La 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.]Cardiac auscultation involves listening to heart sounds to diagnose cardiac conditions. Accurate interpretation of these sounds requires considerable experience, which limits consistency among clinicians and across settings. Although deep learning offers a path toward automation, data scarcity, class imbalance, and signal complexity pose challenges for its application to heart sound analysis. This study presents a pioneering comprehensive examination of how generative artificial intelligence (generative AI) models, including generative adversarial networks, variational autoencoders, diffusion models, and transformer-based architectures, can address key challenges in heart sound analysis. Specifically, these models mitigate core limitations by synthesizing high-fidelity heart sound signals for data augmentation, improving signal quality through advanced denoising, and enabling semi-supervised and unsupervised detection of rare pathological conditions. In addition, we discuss their roles in advanced feature learning and cross-modal translation. Despite notable progress, we highlight future challenges, including ensuring physiological fidelity, enhancing model interpretability, and validating clinical utility. In conclusion, generative AI addresses a key translational challenge by enabling accessible, accurate, and scalable expert cardiac evaluation, thereby supporting the implementation of precision cardiology.204166110enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Cardiac auscultationFirst studyGenerative artificial intelligenceHeart sound signalsPhonocardiogram recordingsComputer Science (miscellaneous)Signal ProcessingComputer Vision and Pattern RecognitionComputer Science ApplicationsArtificial IntelligenceYesreview articleopen access10.1016/j.iswa.2026.200637https://www.scopus.com/pages/publications/105030459432https://www.scopus.com/pages/publications/105030459432#tab=citedBy