Разрыв в обобщающей способности ИИ при стадировании коморбидных нарушений сна

AI Generalisation Gap In Comorbid Sleep Disorder Staging

March 24, 2026

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

cs.AI

Аннотация

Точное определение стадий сна крайне важно для диагностики обструктивного апноэ сна (ОАС) и гипопноэ у пациентов, перенесших инсульт. Хотя полисомнография (ПСГ) является надежным методом, она дорогостояща, трудоемка и требует ручного анализа. В то время как методы глубокого обучения позволяют автоматизировать стадирование сна на основе ЭЭГ у здоровых испытуемых, наш анализ показывает их слабую способность к обобщению на клинические популяции с нарушенной структурой сна. С помощью интерпретаций Grad-CAM мы систематически демонстрируем это ограничение. Мы представляем iSLEEPS — новый клинически аннотированный набор данных по ишемическому инсульту (который будет опубликован в открытом доступе) и оцениваем модель SE-ResNet с двунаправленным LSTM для стадирования сна по одноканальной ЭЭГ. Как и ожидалось, кросс-доменная производительность между здоровыми и больными испытуемыми оказалась низкой. Визуализация внимания, подтвержденная обратной связью от клинических экспертов, показывает, что модель фокусируется на физиологически неинформативных областях ЭЭГ в данных пациентов. Статистический и вычислительный анализ дополнительно подтверждают значительные различия в архитектуре сна между когортами здоровых лиц и пациентов с ишемическим инсультом, подчеркивая необходимость создания моделей, учитывающих особенности субъекта или конкретного заболевания, с обязательной клинической валидацией перед внедрением. Аннотация статьи и код доступны по адресу: 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/