Algemene AI-generaliseerkloof bij het classificeren van comorbiditeit bij slaapstoornissen

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

Samenvatting

Nauwkeurige slaapstadiëring is essentieel voor de diagnose van OSA en hypopneu bij patiënten met een beroerte. Hoewel PSG betrouwbaar is, is het kostbaar, arbeidsintensief en handmatig gescoord. Hoewel deep learning geautomatiseerde, op EEG gebaseerde slaapstadiëring bij gezonde proefpersonen mogelijk maakt, toont onze analyse een slechte generalisatie naar klinische populaties met verstoorde slaap. Met behulp van Grad-CAM-interpretaties demonstreren we deze beperking systematisch. Wij introduceren iSLEEPS, een nieuw klinisch geannoteerde dataset voor ischemische beroerte (die openbaar wordt vrijgegeven), en evalueren een SE-ResNet plus bidirectioneel LSTM-model voor slaapstadiëring op basis van enkelkanaals EEG. Zoals verwacht is de prestaties tussen verschillende domeinen (gezonde en zieke proefpersonen) slecht. Aandachtsvisualisaties, ondersteund door feedback van klinische experts, tonen aan dat het model zich in patiëntendata richt op fysiologisch niet-informatieve EEG-regio's. Statistische en computationele analyses bevestigen verder significante verschillen in slaaparchitectuur tussen gezonde en ischemische beroertecohorten, wat de noodzaak benadrukt van subjectbewuste of ziektespecifieke modellen met klinische validatie vóór implementatie. Een samenvatting van het artikel en de code is beschikbaar op 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/