[논문 리뷰] Towards Objective Gastrointestinal Auscultation: Automated Segmentation and Annotation of Bowel Sound Patterns

Zahra Mansour, Verena Uslar외 3명|arXiv (Cornell University)|2026. 03. 07.

Phonocardiography and Auscultation Techniques인용 수 1

한 줄 요약

이 논문은 전에 학습된 모델(AST 및 Wav2Vec 2.0)을 사용하여 장 내 소리 이벤트를 자동으로 탐지하고, 네 가지 패턴으로 분류하며, 코호트별 성능을 평가하는 자동 파이프라인을 제시하고, 수작업 주석 작업의 필요를 크게 줄임을 보여준다.

ABSTRACT

Bowel sounds (BS) are typically momentary and have low amplitude, making them difficult to detect accurately through manual auscultation. This leads to significant variability in clinical assessment. Digital acoustic sensors allow the acquisition of high-quality BS and enable automated signal analysis, offering the potential to provide clinicians with both objective and quantitative feedback on bowel activity. This study presents an automated pipeline for bowel sound segmentation and classification using a wearable acoustic SonicGuard sensor. BS signals from 83 subjects were recorded using a SonicGuard sensor. Data from 40 subjects were manually annotated by clinical experts and used to train an automatic annotation algorithm, while the remaining subjects were used for further model evaluation. An energy-based event detection algorithm was developed to detect BS events. Detected sound segments were then classified into BS patterns using a pretrained Audio Spectrogram Transformer (AST) model. Model performance was evaluated separately for healthy individuals and patients. The best configuration used two specialized models, one trained on healthy subjects and one on patients, achieving (accuracy: 0.97, AUROC: 0.98) for healthy group and (accuracy: 0.96, AUROC: 0.98) for patient group. The auto-annotation method reduced manual labeling time by approximately 70%, and expert review showed that less than 12% of automatically detected segments required correction. The proposed automated segmentation and classification system enables quantitative assessment of bowel activity, providing clinicians with an objective diagnostic tool that may improve the diagnostic of gastrointestinal function and support the annotation of large-scale datasets.

연구 동기 및 목표

• 웨어러블 센서에서 장내 소리에 대한 자동적이고 객관적인 분석 제공
• 다양한 패턴에서 장내 소리 이벤트를 강건하게 분할
• 분할된 이벤트를 네 가지 임상적으로 관련된 장내 소리 패턴으로 분류
• 전문가 개입 검증을 통한 자동 주석 작업의 시간 절약과 라벨링 품질 유지

제안 방법

• 장내 소리 이벤트를 위한 1 ms 프레임 기반 에너지 및 RMS–에너지 공동 탐지기 개발
• 에너지를 dB로 변환하고 기준선 통계로 정규화하여 온셋/오프셋을 탐지
• 사전 학습된 AST 및 Wav2Vec 2.0 모델을 코호트별 미세 조정으로 네 가지 패턴으로 분류
• Healthy, Patient, Mixed 테스트 세트에서 도메인 내/교차 도메인 성능 평가
• 인접 구간을 병합하고 간헐적인 간격을 채우는 후처리를 적용하여 일관된 BS 시퀀스 생성
• 라벨링 효율성을 양적으로 파악하기 위한 전문가 루프를 갖춘 자동 주석 워크플로우 제공

실험 결과

연구 질문

• RQ1 다양한 패턴(SB, MB, CRS, HS)에서 에너지 및 RMS 기반 특징으로 장내 소리 이벤트를 자동으로 신뢰성 있게 탐지할 수 있는가?
• RQ2 사전 학습 모델(AST와 Wav2Vec 2.0)이 건강한 데이터와 환자 데이터에 대한 미세 조정에서 패턴 분류 성능은 어느 정도 차이가 있는가?
• RQ3 코호트별 학습이 건강한 피험자와 GI 환자의 분류 성능 및 일반화에 어떤 영향을 미치는가?
• RQ4 전문가 수정이 있는 반자동 워크플로우에서 자동 주석 사용 시 시간 절약 및 라벨링 품질 향상은 어느 정도인가?

주요 결과

• AST는 학습/테스트 하위 그룹 전반에서 일관되게 Wav2Vec 2.0보다 높은 성능을 보였다
• 건강한 데이터만으로 학습된 AST가 건강한 테스트 데이터에서 ACC 0.97 및 AUROC 0.98을 달성
• 환자 데이터만으로 학습된 AST가 환자 테스트 데이터에서 ACC 0.96 및 AUROC 0.98을 달성
• 건강한 데이터 + 환자 데이터를 결합한 AST가 혼합 테스트 데이터에서 ACC 0.94 및 AUROC 0.98을 달성
• 자동 주석은 전문가Corrections가 필요한 세그먼트가 <12%인 경우에도 수작업 라벨링 시간을 약 70% 감소시켰다
• 자동 주석은 클래스의 우선 순위 구성을 보존하고 SB/CRS/HS의 일반적인 지속 시간 범위를 포착하였으며 MB 지속 시간은 일부 과소 추정됨