Écart de généralisation de l'IA dans la stadification des troubles du sommeil comorbides
AI Generalisation Gap In Comorbid Sleep Disorder Staging
March 24, 2026
Auteurs: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi
cs.AI
Résumé
La stadification précise du sommeil est essentielle pour diagnostiquer le SAOS et l'hypopnée chez les patients victimes d'AVC. Bien que la PSG soit fiable, elle est coûteuse, laborieuse et nécessite une annotation manuelle. Si l'apprentissage profond permet une stadification automatique du sommeil basée sur l'EEG chez les sujets sains, notre analyse montre une mauvaise généralisation aux populations cliniques présentant un sommeil perturbé. En utilisant les interprétations Grad-CAM, nous démontrons systématiquement cette limitation. Nous présentons iSLEEPS, un nouvel ensemble de données sur l'AVC ischémique annoté cliniquement (qui sera rendu public), et évaluons un modèle SE-ResNet combiné à un LSTM bidirectionnel pour la stadification du sommeil par EEG monocanal. Comme prévu, les performances inter-domaines entre sujets sains et malades sont médiocres. Les visualisations de l'attention, étayées par les retours d'experts cliniques, montrent que le modèle se concentre sur des régions EEG physiologiquement non informatives dans les données des patients. Les analyses statistiques et computationnelles confirment en outre des différences significatives dans l'architecture du sommeil entre les cohortes de sujets sains et celles victimes d'AVC ischémique, soulignant la nécessité de modèles adaptés au sujet ou spécifiques à la pathologie, avec validation clinique préalable au déploiement. Un résumé de l'article et le code sont disponibles à l'adresse https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/
English
Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/