Page 47 - Livre électronique du congrès des RFTP 2022

P13

RECONNAISSANCE DES SONS AUSCULTATOIRES
PULMONAIRES PAR L’INTELLIGENCE ARTIFICIELLE

S. ABID (1,3), MM. KARRAY (2), S. ELFIDHA (1,3), AD. EL-EUCH (1,3), R. GARGOURI (1,3), Z.
TRIKI (2), N. BAHLOUL (1,3), S. KAMMOUN (1,3)
(1) : SERVICE DE PNEUMO-ALLERGOLOGIE, CHU HEDI CHAKER, SFAX-TUNISIE
(2) MEDICACOM IA START UP E-SANTÉ À SFAX-TUNISIE
(3) UNIVERSITÉ DE SFAX, FACULTÉ DE MÉDECINE SFAX-TUNISIE

INTRODUCTION : L’auscultation pulmonaire est un examen clinique essentiel surtout
en pneumologie. Cependant, il reste un examen subjectif. Il dépend de l’expérience
du praticien à reconnaitre le type du son ausculté et sa capacité de perception
notamment que la prévalence des troubles auditifs augmente avec l’âge.
OBJECTIF : Développer une nouvelle méthode d’analyse automatique du son basée
sur les réseaux de neurones convolutifs (CNN) et la mettre en œuvre dans un
système qui utilise un stéthoscope électronique pour capturer et reconnaitre le type
du son respiratoire.

METHODES : Les enregistrements d’auscultation pulmonaire ont été recueillis auprès
de 57 patients hospitalisés au service de Pneumologie CHU Hédi Chaker Sfax,
effectué par le même praticien à l’aide de stéthoscopes électroniques Littmann 3200.
Quatre foyers d’auscultation fixes pour chaque patient (para-sternal droit, antéro-
basal droit, paravertébral gauche et postéro-basal gauche). Chaque enregistrement
comportait une description et deux vérifications indépendantes effectuées par deux
pneumologues différents. Les résultats ont été comparés à un modèle d’intelligence
artificielle développé par une startup tunisienne.
RESULTATS : Les pneumologues avaient la même classification du son pulmonaire
enregistré dans 96% des cas. Ces enregistrements ont été qualifiés de GOLDEN
STANDARD. Pour les 4% restants, chaque enregistrement a été analysé par un
acousticien expérimenté dans la reconnaissance du signal. S’il n’est pas reconnu,
l’enregistrement est non valide. Après injection des enregistrements collectés dans
le modèle IA, le score F1 = 0,91 (Figure).
CONCLUSION : Dans ce travail, nous avons utilisé des réseaux de neurones
convolutifs pour classer les sons pulmonaires grâce à l’utilisation de trois types
d’entrées : spectrogrammes, Fonctionnalités MFCC et LBP. Il s’agit de la première
étape de validation, qui sera suivie par l’injection de plusieurs sons auscultatoire pour
affiner la reconnaissance des sons par l’intelligence artificielle.

Page | 40