Les maladies respiratoires représentent une préoccupation majeure en santé publique, et leur diagnostic repose encore largement sur l’auscultation traditionnelle au stéthoscope. Cette méthode, bien qu’efficace, présente toutefois certaines limites : elle dépend fortement de l’expérience du médecin et demeure subjective. En outre, dans des contextes où l’accès aux professionnels de santé est limité, ces diagnostics peuvent être retardés, affectant la prise en charge rapide et efficace des patients.

Ce projet vise à répondre à ces problématiques en proposant un système automatique innovant pour la classification des sons respiratoires, basé sur l’intelligence artificielle. Plus précisément, il utilise un modèle de réseau de neurones convolutifs (CNN) spécialement conçu pour identifier et classer différents types de sons pulmonaires (normaux, râles, sibilants ou mixtes). Pour ce faire, les sons respiratoires bruts sont prétraités, rééchantillonnés à 15 kHz, segmentés en portions de quatre secondes, puis convertis en représentations visuelles sous forme de spectrogrammes sur l’échelle de Mel.

Afin de pallier le manque de grandes quantités de données médicales souvent nécessaires à l’entraînement de tels modèles, différentes techniques créatives d’augmentation de données ont été appliquées. Le projet explore notamment le « time shifting », une méthode consistant à décaler temporellement les fichiers audio originaux, ainsi que la méthode « SpecAugment », permettant d’augmenter artificiellement les spectrogrammes par masquage de certaines fréquences ou périodes temporelles.

À ce jour, le projet a permis de constituer trois ensembles distincts de données visuelles (spectrogrammes originaux, augmentations audio et augmentations spectrales), prêts à être exploités par le CNN. L’étape prochaine consistera à entraîner et évaluer le modèle afin de quantifier précisément les bénéfices apportés par ces méthodes d’augmentation.