Обнаружение событий кишечных звуков на основе глубокого обучения в непрерывных записях

Слушая кишечник по-новому

Врачи давно прикладывают стетоскоп к животу, чтобы оценить работу кишечника, но эти краткие и субъективные прослушивания пропускают большую часть происходящего в течение часов. В этом исследовании показано, как современные системы искусственного интеллекта могут превращать тонкие кишечные звуки в непрерывный объективный сигнал активности пищеварения. Обучив компактную систему глубокого обучения распознавать крошечные звуковые события внутри длинных аудиозаписей, работа открывает путь к носимым устройствам, которые тихо отслеживают здоровье кишечника в фоновом режиме, подобно тому как сегодня работают трекеры сердечного ритма или сна.

Почему звуки живота важны

Кишечные звуки — это не просто случайные урчания: они отражают, как мышцы и жидкости перемещаются по кишечнику. Непрерывное, неинвазивное прослушивание может помочь отслеживать пищеварение после операций, контролировать состояние уязвимых новорождённых или раннее выявлять заболевания — всё это без анализов крови или облучения. До недавнего времени исследователям не хватало больших хорошо размеченных наборов данных и надёжных алгоритмов. Многие предыдущие системы были либо чрезмерно чувствительны к шуму, ограничивались короткими отрезками, либо сосредотачивались только на наличии звука в небольшой временной части, а не на всей ночной записи.

Создание надёжной звуковой библиотеки

Исследование опирается на общедоступный набор данных, собранный ночью у 19 добровольцев с помощью контактного микрофона на животе. Аудио было разбито на короткие сегменты и помечено экспертами по гастроэнтерологии по нескольким типам кишечных звуков, внекишечным шумам и тишине. Перед анализом записи тщательно очистили: подавили тихие фоновые участки, нормализовали громкость и преобразовали звуки в временно-частотное изображение, показывающее, как энергия распределяется по разным частотам во времени. Это преобразование позволило системе сохранить ключевые шаблоны кишечной активности, сделав данные более однородными и удобными для обучения компьютера.

Два уха для разных тонов

Ключевая идея работы в том, что кишечные звуки ведут себя по-разному в низких и высоких частотах, поэтому авторы спроектировали модель так, чтобы «слушать» двумя специализированными «ухами» одновременно. Преобразованное аудио было разделено на низкую полосу, фиксирующую более длинные и плавные урчания, и высокую полосу, улавливающую короткие резкие щелчки и всплески. Каждая полоса поступала в свой собственный обработающий путь, состоящий из лёгких одномерных сверточных слоёв, которые ищут паттерны в коротких временных промежутках и немного длиннее. Механизм внимания затем решал, сколько веса давать каждой полосе в каждый момент, прежде чем объединить их в единую вероятность присутствия события кишечного звука в малой временной фрейме.

От крошечных моментов к оценкам за всю ночь

Система сначала выдавала решения для очень коротких временных отрезков, но реальный клинический вопрос часто заключается в том, содержит ли вся запись кишечную активность и насколько стабильна детекция во времени. Чтобы преодолеть этот разрыв, исследователи сгладили вероятности по фреймам, чтобы убрать изолированные сбои, и затем применили простое правило: если в какой‑либо фрейм записи вероятность наличия кишечного звука была достаточно высокой, весь файл отмечался как содержащий событие. Эта стратегия «максимум по времени» значительно снизила влияние единичных ошибок классификации и при этом сохранила чувствительность к коротким, но реальным звукам.

Насколько хорошо работала система

По двум различным способам разделения данных на обучающую и тестовую выборки модель продемонстрировала впечатляюще высокую производительность. На самых маленьких временных отрезках она правильно различала события кишечных звуков и тишину или другие шумы в более чем 98% случаев, с хорошим балансом между обнаружением истинных событий и избеганием ложных срабатываний. При агрегировании решений на уровне целых записей точность превысила 99,8%, что означает, что система почти никогда не ошибалась в том, содержит ли файл кишечную активность. Эти результаты превосходили несколько предыдущих подходов глубокого обучения, протестированных на том же наборе данных, несмотря на то, что кишечные звуки занимали лишь небольшую долю общего времени в записях.

Что это значит для повседневной помощи

Для неспециалиста вывод таков: компьютеры теперь могут слушать кишечник с поразительной надёжностью в течение длительных периодов, извлекая значимые события из моря фонового шума. Метод пока не различает разные заболевания или группы пациентов; он лишь отвечает на вопрос, присутствует ли кишечная активность и когда именно. Тем не менее этот прочный фундамент открывает дверь для умных поясов, пластырей или рубашек, которые могли бы в реальном времени отслеживать пищеварение, помогать врачам наблюдать восстановление или поддерживать домашнее управление хроническими заболеваниями кишечника — всё это путём тихого прослушивания внутреннего звукового фона тела.

Цитирование: Çelik, Y. Deep learning-based detection of bowel sound events in continuous recordings. Sci Rep 16, 10595 (2026). https://doi.org/10.1038/s41598-026-47018-3

Ключевые слова: кишечные звуки, глубокое обучение, мониторинг желудочно-кишечного тракта, медицинская акустика, носимое здоровье