Lacuna de Generalização da IA na Estadiagem de Transtornos do Sono Comórbidos

AI Generalisation Gap In Comorbid Sleep Disorder Staging

March 24, 2026

Autores: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi

cs.AI

Resumo

A estadiagem precisa do sono é essencial para diagnosticar AOS e hipopneia em pacientes com AVC. Embora a PSG seja confiável, é dispendiosa, exige muito trabalho e é pontuada manualmente. Embora a aprendizagem profunda permita a estadiagem automática do sono baseada em EEG em indivíduos saudáveis, nossa análise mostra uma fraca generalização para populações clínicas com sono perturbado. Utilizando interpretações Grad-CAM, demonstramos sistematicamente esta limitação. Apresentamos o iSLEEPS, um novo conjunto de dados de AVC isquémico anotado clinicamente (a ser disponibilizado publicamente), e avaliamos um modelo SE-ResNet mais LSTM bidirecional para estadiagem do sono com EEG de canal único. Como esperado, o desempenho em domínio cruzado entre indivíduos saudáveis e doentes é fraco. Visualizações de atenção, apoiadas por feedback de especialistas clínicos, mostram que o modelo se concentra em regiões de EEG fisiologicamente não informativas nos dados dos pacientes. Análises estatísticas e computacionais confirmam ainda diferenças significativas na arquitetura do sono entre coortes saudáveis e de AVC isquémico, destacando a necessidade de modelos conscientes do sujeito ou específicos da doença, com validação clínica antes da implementação. Um resumo do artigo e do código está disponível em 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/