Il suono del respiro e l'AI

Questo lavoro presenta un'innovativa estensione del principio di Autoencoder (AE) come strumento di diagnostica universale, superando l'uso tradizionale di riduzione della dimensionalità e denoising algoritmico. L'approccio si basa sul concetto di Denoising Semantico (o Misurazione della Somiglianza), dove l'AE, addestrato su un dominio di dati "Normali" (sani o pseudo-spettri), utilizza l'Errore Quadratico Medio di Ricostruzione LMSE) come metrica diretta di non-conformità. La metodologia, precedentemente applicata con successo alla spettroscopia vibrazionale (Raman e ATR-IR) per l'analisi dei minerali e al Rilevamento di Anomalie Acustiche (AAD) industriale , viene qui applicata all'analisi dei suoni respiratori in ambito biomedico. Si propone l'implementazione di un AE Convoluzionale (CNN-AE), addestrato esclusivamente su cicli respiratori etichettati come "Normale" (sani) del database ICBHI 2017. L'alto errore di ricostruzione in presenza di suoni avventizi patologici (Crackles o Wheezes) segnala un "errore semantico" o patologico, in quanto il segnale non aderisce alle feature apprese della normalità. Questo approccio sfrutta l'intrinseco sbilanciamento di classe del dataset ICBHI a vantaggio dell'Anomaly Detection, offrendo una soluzione più interpretabile e in grado di rilevare anche patologie non viste in fase di addestramento, superando il limite della classificazione tradizionale supervisionata.