Deep Learning explicable para el diagnóstico de la apnea del sueño en niños

Abstract

La apnea obstructiva del sueño (AOS) pediátrica es un trastorno respiratorio nocturno que afecta significativamente a la salud y calidad de vida de los niños, incluyendo su desarrollo cognitivo. El diagnóstico de referencia es la polisomnografía (PSG), pero presenta limitaciones, como una disponibilidad reducida, ser de alto coste y resultar incómoda para los pacientes. Ante estas dificultades, existe una amplia variedad de métodos de deep learning que emplean la señal de oximetría (SpO2) para el diagnóstico automático de la AOS infantil. Sin embargo, el número de estudios en los que se usa imagen procedente de la señal de SpO2 y métodos de eXplainable Artificial Intelligence (XAI) es escaso. En este trabajo se propone un nuevo método de deep learning explicable para el diagnóstico y estadificación de la AOS en niños a partir de espectrogramas generados de señales de SpO2. Para ello, se ha utilizado una base de datos semipública de 1.638 registros del sueño procedentes del estudio Childhood Adenotonsillectomy Trial (CHAT). El enfoque deep learning se ha llevado a cabo mediante transfer learning de la arquitectura ResNet50 de dos formas: ResNet50 con pre-entreno con imágenes de Imagenet y ResNet50 con pre-entreno con imágenes de retina, ambas para estimar el índice apnea-hipopnea (AHI). Además, se ha utilizado el método Shapley Additive exPlanations (SHAP) para entender en qué se han basado los modelos evaluados para la toma de decisiones. Los resultados del mejor modelo, ResNet50 con pre-entreno con Imagenet, presentan una precisión de cuatro clases del 68.30% y un coeficiente kappa de 0.5326. La sensibilidad y especificidad obtenidas para cada umbral de severidad del AHI son, respectivamente, 84.10% y 71.64% para el umbral 1 e/h, 78.02% y 95.81% para el umbral de 5 e/h y 78.57% y 97.73% para el umbral de 10 e/h. El análisis SHAP explica cómo el modelo otorga importancia a zonas de aumento de potencia en zonas de bajas frecuencias debido a eventos apneicos asociados. Además, también muestra la razón detrás de algunos de los errores cometidos, al dar importancia a desaturaciones no ligadas a marcas de apnea e hipopnea, fluctuaciones de la señal o al ignorar eventos cercanos a artefactos en la señal. Los altos resultados alcanzados y la utilización de métodos de XAI proporcionan mayor transparencia y confianza en las estimaciones de los modelos. El empleo de este método de diagnóstico con imagen procedente de señal de SpO2 se presenta como una herramienta accesible e innovadora para el diagnóstico de la AOS en niños como alternativa a la PSG.