في عالم سريع التطور، يبرز البحث العلمي كأحد الأدوات الأساسية لفهم الأمراض التنفسية وتشخيصها بفاعلية أكبر. وقد أثارت الدراسة الأخيرة، والتي تحمل عنوان "Lung-SRAD"، اهتمام الباحثين نظرًا لأسلوبها المبتكر في تصنيف أصوات التنفس. عادةً ما تعتمد الدراسات السابقة على معمارية الـ CLS-token المدفوعة بالاهتمام الذاتي، مثل "Audio Spectrogram Transformer" (AST)، ولكن هذه الدراسة الجديدة تأخذ الأمور إلى مستوى آخر.

تركز الدراسة على استخدام نماذج الفضاء الحالة (State Space Models - SSMs) كحل بديل لنماذج التصنيف. ومن خلال استخدام نموذج الفضاء الحالة الصوتي المقطر، يتناول الباحثون التمثيلات الوسيطة عبر منحنيات الاستجابة الطيفية ويكتشفون أنها تحافظ بشكل أقوى على مكونات الترددات المتوسطة والعالية. هذه الاكتشافات أدت إلى تقديم طرق جديدة للتنظيم الطبقي المستندة إلى الأبعاد الطيفية.

تتضمن التغييرات المهمة التي يجري تقديمها استخدام تشويش غاوسي على طبقات مختارة، بالإضافة إلى تقنية التعلم المتباين Dual-Axis Patch-Mix المصممة خصيصًا لنماذج الصوت المعتمدة على SSM. النتائج، التي تم اختبارها على معيار "ICBHI"، أظهرت أن منهجهم الجديد حقق درجة 64.48%، متفوقًا على الأساسيات في AST بنسبة 5%.

هذا الابتكار يمثل خطوة متقدمة في استخدام الذكاء الاصطناعي (Artificial Intelligence) لتحسين تشخيص الأمراض التنفسية، مما يفتح المجال لمزيد من الدراسات والإبداعات المثيرة في هذا المجال.