SLEEPER : Étapes du sommeil interprétables par des prototypes issus de règles d'experts

Le classement des stades de sommeil est une tâche cruciale pour le diagnostic des troubles du sommeil. Cette tâche est fastidieuse et complexe, car elle peut prendre plusieurs heures à un expert formé pour annoter le polysomnogramme (PSG) d'un seul patient sur une nuit. Bien que les modèles d'apprentissage profond aient démontré des performances de pointe dans l'automatisation du classement des stades de sommeil, l'interprétabilité, qui définit d'autres critères souhaitables, n'a guère été explorée. Dans cette étude, nous proposons SLEEPER (Sleep staging via Prototypes from Expert Rules), une méthode qui combine les modèles d'apprentissage profond avec des règles définies par les experts au moyen d'un cadre d'apprentissage par prototypes pour générer des modèles simples et interprétables. Plus précisément, SLEEPER utilise des règles de notation du sommeil et des caractéristiques définies par les experts pour dériver des prototypes, qui sont des plongements de fragments de données PSG obtenus par réseaux neuronaux convolutifs. Les modèles finaux sont des modèles simples et interprétables, comme un arbre de décision peu profond défini sur ces phénotypes. Nous avons évalué SLEEPER en utilisant deux ensembles de données PSG collectés lors d'études du sommeil et avons démontré que SLEEPER pouvait fournir une classification précise des stades de sommeil comparable à celle réalisée par les experts humains et les réseaux neuronaux profonds, avec un ROC-AUC d'environ 85 % et un kappa de 0,7.