Cihazdan bağımsız çok modlu bir öğrenme çerçevesi ile solunum hastalıkları sınıflandırması

Telefonunuz bir gün akciğerlerinizi kontrol etmeye yardımcı olabilir mi?

Çoğumuz cebimizde tüm gün güçlü bir mikrofon ve bilgisayar taşırız. Peki ya o sıradan cihaz, kısa bir öksürük kaydını dinleyip ciddi bir akciğer hastalığının erken işaretlerini, bir doktor ya da pahalı ekipman yokken bile tespit edebilse? Bu çalışma, sıradan öksürük seslerini ve kişiye ait bazı temel arka plan bilgilerini, birçok farklı akıllı telefon ve kayıt cihazında çalışabilen yapay zeka kullanarak birkaç yaygın solunum sorununu güvenilir şekilde işaretleyecek uyarılara nasıl dönüştürebileceğimizi araştırıyor.

Basit bir öksürükte hastalığı dinlemek

Kronik obstrüktif akciğer hastalığı (KOAH) ve astımdan enfeksiyonlara kadar birçok akciğer rahatsızlığı öksürük, balgam ve nefes darlığı gibi belirsiz yakınmalarla başlar. Bugün bu hastalıkların doğrulanması genellikle göğüs görüntülemeleri, akciğer fonksiyon testleri veya uzman muayeneleri gerektirir; bunlar kalabalık kliniklerde veya sınırlı kaynaklı ortamlarda erişimi zor olabilir. Yapay zekâ destekli öksürüğe dayalı araçlar düşük maliyetli ve invazif olmayan bir alternatif olarak ortaya çıktı, ancak şimdiye kadar çoğunun tek tip bir kayıt cihazına bağlı olduğu ve yalnızca sesi incelediği görüldü. Yazarlar, öksürük sesini basit anket cevapları ve demografik bilgilerle birlikte kullanabilen ve insanların evde ya da yoğun kliniklerde birçok farklı telefon ve mikrofonla kayıt yapmaları durumunda bile doğru kalan daha akıllı bir sistem tasarlamayı hedeflediler.

Binlerce hastadan sağlam bir dijital muayene oluşturmak

Ekip, dört hastanedeki 12.000'den fazla erişkin ayaktan hasta içeren büyük bir gerçek dünya veri seti derledi. Her katılımcı için sessiz bir odada en az on saniye gönüllü öksürük toplandı ve her kayıt arka plan gürültüsünü, konuşmayı ve geçersiz öksürükleri gidermek üzere sıkı bir kalite kontrol hattından geçirildi. Onaylanan her öksürük klibi görsel benzeri bir ses temsiline dönüştürüldü ve devasa ses koleksiyonları üzerinde önceden eğitilmiş bir ses modeline verildi. Aynı zamanda araştırmacılar yaş, cinsiyet, boy, kilo, sigara öyküsü ve balgam ya da nefes darlığı gibi temel semptomlar gibi basit arka plan bilgisini tıbbi metin için ince ayarlanmış bir dil modeli aracılığıyla kodladılar. Bir füzyon ağı daha sonra bu iki akışı birleştirerek her kişide hangi yedi solunum hastalığının muhtemel olduğunu öğrenmeye çalıştı.

Yapay zekâyı cihazı görmezden gelip hastalığa odaklanacak şekilde öğretmek

Gerçek dünyada kullanım için büyük bir engel, öksürüklerin birçok tür telefon ve mikrofonda kaydedilmesi ve her birinin sesi farklı şekilde renklendirmesidir. Bu "cihaz etkisi"ni aşmak için yazarlar, her öksürüğü hangi cihazın ürettiğini tespit etmeye çalışan özel bir eğitim dalı eklediler. Aynı zamanda ana model, iyi hastalık tahminleri yaptığında ödüllendirilirken, iç özellikleri cihaz tanımayı kolaylaştırdığında cezalandırıldı. Bu adversarial yapı sistemi cihazlara özgü aykırılıkları ayıklamaya ve yalnızca hastalıkla ilgili kalıpları tutmaya yönlendiriyor. Ek bir eğitim hilesi modelin cihazlar arasında tutarlı davranmasını teşvik ederek daha önce hiç görmediği yeni donanımlarla karşılaştığında performansı daha da sabitliyor.

Sistemin farklı akciğer sorunlarını ne kadar iyi tespit ettiği

Bu tasarımı kullanarak model üç önemli tarama görevi için çok yüksek doğruluk elde etti. Genellikle geç yaşta tanı alabilen KOAH için sistem, hasta ve sağlıklı bireyleri mükemmele yakın ayırdığını gösteren yaklaşık 0,97 alan-altında-eğri (AUC) puanına ulaştı. Alt solunum yolu enfeksiyonları ve görüntülemede tümör veya yapısal değişiklikleri temsil edebilecek "pulmoner gölgeler" için de güçlü performans sergiledi, ancak biraz daha az mükemmeldi. Aynı hastadaki hastalık kombinasyonları dahil olmak üzere yedi solunum durumunun tamamını aynı anda değerlendirmesi istendiğinde bile araç birkaç son teknoloji alternatiften daha iyi performans gösterdi. Dikkatli karşılaştırmalar öksürük sesinin en güçlü sinyali taşıdığını, demografi ve semptom cevaplarının ise faydalı bağlam eklediğini gösterdi. Adversarial eğitim sonuçları tutarlı şekilde iyileştirdi ve kritik olarak sistemin tamamen yeni telefon modelleriyle kaydedilmiş öksürüklerde doğruluk kaybını azalttı.

Hastane denemesinden günlük sağlık yardımcısına

Model göğüs görüntülemelerinin veya uzman değerlendirmesinin yerini almak için hazır olmasa da—özellikle küçük akciğer nodülleri gibi nadir veya sessiz sorunlar için—triage (ön değerlendirme) yardımı olarak gerçek bir potansiyel gösteriyor. Uygulamada bu, telefona kısa bir öksürük oturumu ve ardından kimin daha fazla test veya takip gerektirdiğine karar vermeye yardımcı olan hızlı bir risk puanı anlamına gelebilir. Yazarlar nadir hastalıklar için dengesiz veri, sınırlı etnik çeşitlilik ve gürültülü ev ortamlarıyla başa çıkma ihtiyacı gibi kalan zorluklara dikkat çekiyor. Yine de sonuçları, dikkatli tasarımla bir yapay zekâ sisteminin farklı cihazların aykırılıklarının ötesini dinleyebileceğini, basit anket verilerini öksürük sesleriyle birleştirebileceğini ve solunum hastalıklarının daha erken tespiti ve izlenmesi için ölçeklenebilir, düşük maliyetli destek sunabileceğini gösteriyor.

Atıf: Yang, M., Liu, X., Du, W. et al. A device-invariant multi-modal learning framework for respiratory disease classification. npj Digit. Med. 9, 290 (2026). https://doi.org/10.1038/s41746-026-02445-4

Anahtar kelimeler: öksürük analizi, solunum hastalığı taraması, mobil sağlık, çok modlu derin öğrenme, cihazdan bağımsız yapay zeka