Optimización basada en CNN para la clasificación de sonidos pulmonares con accesibilidad móvil

La integración de la Inteligencia Artificial (IA) en la clasificación de sonidos pulmonares ha mejorado notablemente el diagnóstico de enfermedades respiratorias al analizar patrones complejos dentro de los datos de audio. Este documento presenta un enfoque de dos fases para un diagnóstico mejorado de enfermedades respiratorias. En la fase inicial de clasificación binaria, los sonidos pulmonares se identifican como saludables o anormales, permitiendo salidas tempranas para los casos normales. La segunda fase categoriza los sonidos anormales en una de nueve enfermedades específicas. La mayor precisión alcanzada para la detección de enfermedades utilizando clasificación binaria y predicción de enfermedades mediante clasificación multicategórica es del 96.55% y 92.59%, respectivamente. El modelo propuesto se desarrolla como una aplicación móvil fácil de usar para una integración fluida con el modelo de clasificación. La aplicación móvil permite a los usuarios cargar archivos de sonido pulmonar y predice los tres diagnósticos potenciales más probables. La estrategia de dos fases propuesta optimiza los recursos computacionales, proporcionando alta precisión y eficiencia, mientras que la aplicación móvil extiende la aplicación práctica de los modelos de diagnóstico, con un puntaje de usabilidad del sistema superior al 73.21%, lo que indica una buena usabilidad.