למידת עומק היברידית ותכונות YAMNet לאבחון אסטמה מתוך צלילי נשימה

להקשיב לנשימות במקום לנשוף לצינור

למיליוני אנשים עם אסטמה, קבלת אבחנה ברורה נוטה לדרוש ביקור במרפאה וביצוע בדיקות תפקודי ריאה שיכולות להיות מעייפות, גוזלות זמן וקשות לחזרה באופן תדיר. המחקר הזה חוקר רעיון שונה מאוד: שימוש בצליל נשימה ושיעול של אדם, מוקלט עם משהו פשוט כמו מיקרופון טלפון או סטטוסקופ דיגיטלי, כדי לקבוע האם יש לו אסטמה או מחלת ריאה אחרת. על‑ידי המרת הצלילים הללו לתבניות שהמחשב יכול לזהות, החוקרים שואפים לבנות כלי מדויק וזול שעשוי בעתיד לתמוך בבדיקות מרחוק וביישומי בריאות ניידת.

מדוע צלילי נשימה נושאים רמזים חבויים

אסטמה משפיעה על דרכי הנשימה, מצמצמת אותן ומציבה את זרימת האוויר במצב לא יציב. זה מייצר רעשים אופייניים כגון צפצופים (טונים נושפים) וקרקוצים (צלילים פיצוחים קצרים), שקולטים לרוב באמצעות סטטוסקופ. עם זאת, חולים עם מחלות ריאה אחרות—כמו מחלת ריאות חסימתית כרונית (COPD), ברונכיטיס או דלקת ריאות—יכולים להפיק צלילים דומים, מה שמקשה על האבחנה גם במקרים של מומחים. בדיקות סטנדרטיות כמו ספיrometry מצריכות הגעה למרפאה, צוות מאומן וציוד מיוחד, ולעתים אינן תופסות את כלל סוגי האסטמה. המחברים טוענים שניתוח מדויק של הקלטות נשימה עלול ללכוד את ההבדלים העדינים האלה בנוחות רבה יותר ויכול לסייע להבחין בין מספר מחלות ריאה ובין נשימה בריאה.

בניית מאזין חכם לצלילי ריאות

הצוות תכנן מערכת "מאזין חכם" שמתחילה בהקלטות מהעולם האמיתי מתוך סט נתונים ציבורי ב‑Kaggle בשם Asthma Detection Dataset v2. אלו קטעים קצרים של שיעולים ונשימות שנאספו בטלפונים ניידים רגילים בסביבות יומיומיות, ומתויגים כאסטמה, COPD, דלקת ריאות, ברונכיטיס או בריא. מאחר שההקלטות משתנות באורכן ובאיכותן, החוקרים מבצעים קודם ניקוי: סטנדרטיזציה של עוצמת הקול, הסרת שתיקות ארוכות, סינון תדרים נמוכים מאוד וגבוהים מאוד, וחיתוך האודיו למקטעים קבועים של שישה שניות, מספיקים ללכידת מחזורי נשימה מלאים. הם גם יוצרים וריאציות ריאליסטיות—האצת או האטה קלה של הקול, שינוי טון והוספת רעש רקע עדין—כדי ללמד את המערכת להתמודד עם תנאי אמת מלוכלכים ולא רק עם הקלטות מעבדתיות נקיות.

שילוב תבניות קריאות לבני אדם ועמוקות

במרכז המערכת עומדת גישה היברידית המקשיבה בשתי דרכים במקביל. ענף אחד חלץ מאפייני אודיו קלאסיים שמהנדסי אודיו ורופאים מבינים, כגון פיזור האנרגיה על פני טונים, קצב חציית האפס של האות ואופן עליית וירידת האנרגיה לאורך זמן. מדדים אלה ידועים כמצביעים על צפצופים וקרקוצים. הענף השני מזין את אותו האודיו ל‑YAMNet, מודל קטן של למידת עומק שאומן במקור על ידי גוגל על מגוון עצום של צלילים יומיומיים. YAMNet ממיר כל שנייה של נשימה ל"טביעת אצבע" נומרית עשירה שתופסת דפוסים מורכבים מדי לתיאור ידני. החוקרים לאחר מכן מאחים את שתי התצפיות של הצליל ומעבירים את המידע המשולב דרך מודולים נוספים שממקדסים דפוסים בקנה מידה מרובה ומדגישים אוטומטית את הערוצים המידעיים ביותר לפני שמסווג סופי נותן את האבחנה.

בדיקת דיוק והבהרת תיבת השחורה

כדי לבדוק עד כמה המערכת עובדת היטב, המחברים השתמשו באסטרטגיית בדיקה קפדנית שנקראת cross‑validation מחולק לשכבות בחמש קפלים, כדי להבטיח שכל מצב ריאתי מיוצג באופן הוגן בשלבי האימון והבדיקה. המודל הגיע לדיוק של כ‑98.6% ולמדדי F1 ושטח מתחת לעקומה בדירוג דומה, כאשר הוא מפיל בבירור כמה חלופות חזקות, כולל מודלים מסורתיים של למידת מכונה, רשתות קונבולוציה סטנדרטיות על תמונות ספקטרוגרמה, וגרסה פשוטה יותר המשתמשת רק ב‑YAMNet. חשוב לציין שלא הסתפקו המספרים הכלליים: הם השתמשו בכלי הדמיה כדי להראות כיצד מצבים שונים מייצרים צורות גל וספקטרוגרמות מובחנות, והפעילו SHAP, שיטה שנלקחה מתורת המשחקים, כדי להדגיש אילו מאפיינים ויחידות נסתרים ברשת משפיעים ביותר על כל תחזית. ניתוחים אלה חשפו שהמודל מתמקד באינדיקטורים בעלי משמעות קלינית כגון פסי תדר גבוהים מתמשכים והתפרצויות פתאומיות התואמות צפצופים וקרקוצים.

מה זה עשוי לסמן לטיפול יומיומי

באופן פשוט, המחקר מראה שמערכת למידת עומק בנויה בקפידה יכולה "להקשיב" לנשימה בדיוק הקרוב לזה של מומחה, אפילו כאשר ההקלטות נעשות על מכשירים רגילים בסביבות רועשות. על‑ידי שילוב מאפייני אודיו ברורים עם ייצוגים חזקים שנלמדו, ובהסבר החלטותיה באמצעות מפת חזותית וניקוד חשיבות מאפיינים, המערכת מתקרבת לעוזר דיגיטלי אמין יותר מאשר לתיבת שחורה מסתורית. למרות שעוד יש צורך לבדוק אותה על מערכי נתונים נוספים וגדולים יותר ולאמת אותה בפרקטיקה קלינית, הגישה הזו מצביעה על כלים עתידיים שיכולים לפעול על טלפונים או חומרה קלת משקל, ולסייע לרופאים ולמטופלים לנטר אסטמה ומחלות ריאה קשורות במהירות, ללא חודרנות ובעלות נמוכה.

ציטוט: Shatat, G.A.EL., Moustafa, H.ED., Saraya, M.S. et al. Hybrid deep learning and YAMNet features for asthma diagnosis from respiratory sounds. Sci Rep 16, 13781 (2026). https://doi.org/10.1038/s41598-026-49247-y

מילות מפתח: אבחון אסטמה, צלילי נשימה, למידת עומק, בריאות ניידת, ניתוח אודיו רפואי