يعتبر تصنيف صوت التنفس (Respiratory Sound Classification - RSC) أحد التطبيقات الواعدة للذكاء الاصطناعي في الكشف عن الأمراض الرئوية، إلا أن تنفيذه عبر مواقع متعددة يواجه تحديات كبيرة بسبب التباين بين أجهزة السماعة الطبية (stethoscope).

في خطوة مهمة نحو التغلب على هذه العقبات، قام القائمون على البحث بتقديم نموذج جديد يوفر حلاً لمشكلة اختلاف الأجهزة، من خلال صياغة مفهوم جديد يسمى "تحويل مجال اتحادي" (Federated Domain Generalization) مخصص لتصنيف الأصوات التنفسية. يهدف هذا الإطار إلى تمكين العملاء من استخدام أجهزة متنوعة، بينما يتم تقييم النموذج على أجهزة لم يسبق رؤيتها.

أظهرت النتائج التجريبية أن أسلوب السماعة والمحتوى المتعلق بالأمراض مترابطان بشكل وثيق، مما يجعل إزالة الأسلوب بشكل حاسم غير موثوق. وللتغلب على هذه المشكلة، اقترح الباحثون إطار عمل مستوحى من السببية يجمع بين عدة تقنيات متطورة:
1. شبكة تدخل مستوحاة من السببية تقوم بإجراء تغييرات على الأسلوب دون التأثير على المحتوى.
2. تعزيز النصوص المضادة للحقائق (Counterfactual Text Augmentation) الذي يحيد عن المعيقات المرتبطة بالبيانات.
3. محاذاة التدرجات (Gradient Alignment) التي تسهل الحصول على تمثيلات مستقلة عن الجهاز بين العملاء.

تم تطوير هذا الإطار باستخدام نموذج تدريبي متعدد الأبعاد يجمع بين اللغة والصوت، وقد أثبت تفوقه على تقنيات زيادة البيانات التقليدية ونماذج التعليم الفيدرالي في القيم التجريبية المقارنة على مجموعات بيانات ICBHI وSPRSound.

سيتم إصدار الشيفرة البرمجية مع النشر، مما يسمح للباحثين والمطورين بالاستفادة من هذا الابتكار في مجالات جديدة. هل تعتقدون بأن مثل هذه الحلول ستحسن تقنيات الكشف عن الأمراض الرئوية؟ شاركونا آرائكم في التعليقات!