L’intelligence artificielle (IA) a permis d’obtenir des algorithmes de plus en plus performants pour la cotation automatique des PSG. Cependant, la volumétrie de données nécessaire est souvent synonyme d’une baisse de la qualité des annotations (variabilité inter-annotateur), limitant les performances de l’algorithme. Notre approche a été d’améliorer les modèles d’IA avec des couches algorithmiques construites à partir de retours d’experts.

Pour les stades du sommeil, un premier modèle Deep Learning (Stanford-STAGES) (1) a été entraîné sur plusieurs milliers d’acquisitions. Une revue de nos classifications par des experts du sommeil a montré une sous-estimation de l’état N3 pour N2. Une reclassification basée sur une détection des ondes Delta a amélioré nos performances. Puis, une nouvelle itération a ciblé la reclassification des éveils en REM en se basant sur les signaux EOG et EMG.

Le premier modèle obtient une performance globale de PPA/NPA (Positive/Negative Predictive Average) de 77 %/94 % (avec N2 : 85 %/85 %, N3 : 63 %/96 %). L’algorithme final, après les itérations avec les experts, obtient une performance globale de 80 %/95 % (N2 : 83 %/89 %, N3 : 83 %/95 %). Ces résultats ont été confirmés sur plusieurs bases de données, regroupant une centaine d’enregistrements.

Pour chaque type de détection (états du sommeil, …), cette approche a permis une amélioration des performances globales, alliant la puissance de l’IA sur de grands volumes de données (aspect quantitatif), avec la connaissance d’experts (aspect qualitatif).