Computer aided diagnosis of pediatric sleep apnea through the analysis of airflow and oximetry signals: from ensemble learning to explainable deep learning algorithms

Abstract

Obstructive sleep apnea (OSA) is a sleep disorder in which intermittent obstruction or narrowing of the upper airway causes recurrent pauses and cessations of normal respiration (apneas and hypopneas, respectively) during sleep. The most common symptoms of OSA in chidren are snore, labored respiration or breathing pauses, and daytime hypersomnolence. Pediatric OSA affects 1% - 5% of children, with several negative consequences that range from cardiometabolical comorbidities to neurobehavioral disorders. The gold standard in the diagnosis of childhood OSA is the polysomnography (PSG), a sleep study that involves the recording of several biomedical signals in a sleep laboratory. Pediatric OSA is diagnosed and quantified by computing the apnea-hypopnea index (AHI), the rate of apneas/hypopneas per hour (e/h) of sleep: no OSA (AHI < 1 e/h), mild OSA (1 < AHI < 5 e/h), moderate OSA (5 < AHI < 10 e/h), and severe OSA (AHI > 10 e/h). However, PSG has low availability due to scarce sleep units, high complexity, and associated costs. Alternatives to PSG usually comprise the analysis of less signals, and simplified tests involving the analysis of airflow (AF) and oximetry (SpO2) are a suitable alternative. AF and SpO2 analyses can be automated by means of signal processing and pattern recognition algorithms that can simplify the diagnosis of pediatric OSA. In this doctoral thesis, different algorithms such as ensemble learning (AdaBoost) and deep learning (DL) combined with explainable artificial intelligence (XAI) methods are proposed to facilitate the diagnosis of pediatric OSA through the automatic analysis of AF and SpO2 signals. The main objective of this doctoral thesis was to study, develop and validate ensemble learning and DL methods together with new XAI techniques in the context of automatic analysis of AF and SpO2 signals, so that these methods can be used to help diagnose pediatric OSA. The characterization of AF and SpO2 revealed that both signals exhibited relevant and complementary information, which enabled AdaBoost to reach the highest diagnostic performance in comparison with single signal approaches. These results suggest that AF and SpO2 can be complementary and useful together to detect pediatric OSA. On the other hand, the DL architectures outperformed the previous approaches in terms of diagnostic performance. A combination of convolutional and recurrent neural networks surpassed all the previous approaches focused on detecting pediatric OSA. Regarding XAI analysis, heatmaps derived from the Gradient-weighted Class Activation Mapping (Grad-CAM) algorithm revealed that this DL model focused in AF amplitude changes and desaturations to detect and quantify OSA. These heatmaps also revealed that the model usually misses some hypopneas associated to arousals. The use of Grad-CAM enabled the discovery of relevant OSA-related patterns that are automatically detected by the DL algorithms and can aid users to reinforce their trust in DL models. In view of these results, the methods proposed in this doctoral thesis could be used to develop a screening test of pediatric OSA that would alleviate the waiting lists of pediatric sleep laboratories. The results achieved by the methods proposed in this research allow us to conclude that the automatic analysis of AF and SpO2 based on ensemble and DL methods combined with XAI have demonstrated a remarkable diagnostic usefulness, and can be used to deploy alternative, simple, reliable and trustworthy screening methods to serve as an aid in the diagnosis of OSA in children.

La apnea obstructiva del sueño (AOS) es un trastorno del sueño en el que la obstrucción o estrechamiento intermitente de la vía aérea superior provoca pausas y ceses recurrentes de la respiración normal (apneas e hipopneas, respectivamente) durante el sueño. Los síntomas más comunes de AOS en niños son ronquidos, respiración dificultosa o pausas respiratorias e hipersomnolencia diurna. La AOS pediátrica afecta a entre el 1% y el 5% de los niños, con consecuencias negativas que van desde comorbilidades cardiometabólicas hasta trastornos neuroconductuales. El estándar para diagnosticar la AOS infantil es la polisomnografía (PSG), un estudio del sueño que consiste en el registro de varias señales biomédicas en una unidad del sueño. La AOS pediátrica se diagnostica y cuantifica mediante el índice de apnea-hipopnea (IAH), la tasa de apneas/hipopneas por hora (e/h) de sueño: sin AOS (IAH < 1 e/h), AOS leve (1 < IAH < 5 e/h), AOS moderada (5 < IAH < 10 e/h) y AOS severa (IAH > 10 e/h). Sin embargo, la PSG tiene poca disponibilidad debido a la escasez de unidades del sueño, su elevada complejidad y elevados costes. Las alternativas para simplificar la PSG suelen implicar el registro de menos señales, e incluyen el análisis del flujo aéreo (FA) y la oximetría (SpO2). Los análisis de estas señales pueden automatizarse mediante algoritmos de procesamiento de señales y reconocimiento de patrones que pueden ayudar en el diagnóstico de la AOS pediátrica. En esta tesis doctoral se proponen diferentes algoritmos como ensemble learning (AdaBoost) y deep learning (DL) combinados con métodos de inteligencia artificial explicable (XAI) para facilitar el diagnóstico de la AOS pediátrica mediante el análisis de las señales de FA y SpO2. El objetivo principal de esta tesis doctoral fue estudiar, desarrollar y validar métodos de ensemble learning y DL junto con nuevas técnicas de XAI para el análisis automático de señales de AF y SpO2, de forma que puedan ser utilizados para ayudar al diagnóstico de la AOS pediátrica. La caracterización del AF y SpO2 reveló que ambas señales mostraban información relevante y complementaria, lo que permitió a AdaBoost incrementar su rendimiento diagnóstico conjunto en comparación con una sola señal. Estos resultados sugieren que FA y SpO2 pueden ser complementarios y útiles conjuntamente para detectar la AOS pediátrica. Por otro lado, las arquitecturas DL superaron el rendimiento diagnóstico de enfoques anteriores. Una combinación de redes neuronales convolucionales y recurrentes superó a todos los enfoques anteriores centrados en la detección de la AOS pediátrica. En cuanto al análisis XAI, los heatmaps obtenidos del algoritmo Gradient-weighted Class Activation Mapping (Grad-CAM) revelaron que este modelo de DL se centraba en los cambios de amplitud de FA y las desaturaciones para detectar y cuantificar la AOS. Estos heatmaps también revelaron que el modelo no suele marcar algunas hipopneas asociadas a arousals. El uso de Grad-CAM permitió descubrir patrones relevantes relacionados con la AOS detectados automáticamente por los algoritmos de DL y pueden ayudar a reforzar la confianza de usuarios en estos modelos. Según estos resultados, los métodos propuestos en esta tesis doctoral podrían utilizarse para desarrollar un protocolo de cribado de la AOS pediátrica que aliviaría las listas de espera de las unidades del sueño. Los resultados alcanzados por los métodos propuestos en esta investigación permiten concluir que el análisis automático de AF y SpO2 basado en métodos ensemble y DL combinados con XAI han demostrado una gran utilidad diagnóstica, pudiendo utilizarse para habilitar métodos de cribado alternativos, sencillos, fiables y veraces que sirvan de ayuda al diagnóstico de AOS en niños.