Divario nella Generalizzazione dell'IA nella Stadiazione dei Disturbi del Sonno Comorbidi
AI Generalisation Gap In Comorbid Sleep Disorder Staging
March 24, 2026
Autori: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi
cs.AI
Abstract
La corretta stadiazione del sonno è fondamentale per diagnosticare l'apnea ostruttiva del sonno (OSA) e l'ipopnea nei pazienti con ictus. Sebbene la polisonnografia (PSG) sia affidabile, è costosa, richiede molto lavoro e viene valutata manualmente. Sebbene l'apprendimento profondo consenta una stadiazione automatica del sonno basata sull'EEG in soggetti sani, la nostra analisi mostra una scarsa generalizzazione alle popolazioni cliniche con sonno alterato. Utilizzando le interpretazioni Grad-CAM, dimostriamo sistematicamente questa limitazione. Presentiamo iSLEEPS, un nuovo dataset di ictus ischemico annotato clinicamente (che sarà reso pubblico), e valutiamo un modello SE-ResNet più LSTM bidirezionale per la stadiazione del sonno su EEG a canale singolo. Come previsto, le prestazioni incrociate tra soggetti sani e malati sono scarse. Le visualizzazioni dell'attenzione, supportate dal feedback di esperti clinici, mostrano che il modello si concentra su regioni EEG fisiologicamente non informative nei dati dei pazienti. Analisi statistiche e computazionali confermano ulteriormente significative differenze nell'architettura del sonno tra coorti di soggetti sani e di pazienti con ictus ischemico, evidenziando la necessità di modelli specifici per patologia o consapevoli del soggetto, convalidati clinicamente prima dell'implementazione. Un riassunto del documento e il codice sono disponibili all'indirizzo 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/