L'auscultation pulmonaire, bien qu'étant un pilier du diagnostic médical depuis des siècles, souffre d'une variabilité inter-observateurs atteignant 40% même entre experts. Cette étude propose un système innovant d'aide au diagnostic basé sur l'intelligence artificielle pour classifier automatiquement les sons respiratoires en quatre catégories cliniquement pertinentes. Nous avons développé un modèle de
réseau de neurones convolutionnels hybride à double entrée qui exploite simultanément deux représentations complémentaires du signal audio : les coefficients MFCC (60×86) capturant l'enveloppe spectrale, et les mél-spectrogrammes (193×86) préservant les détails temps-fréquence. Notre architecture parallèle traite ces modalités indépendamment avant de fusionner leurs caractéristiques via concaténation pour la classification finale. Les expériences menées sur la base ICBHI 2017 (6 898 cycles respiratoires provenant de 126 patients) incluent un prétraitement rigoureux et un équilibrage par SMOTE (14 568 échantillons finaux). Les résultats démontrent une précision globale de 81% avec des performances différenciées : sons sains (précision 90%, rappel 95%, AUC 0.99), crépitements (précision 69%, rappel 77%, F1 0.73), Sifflements (précision 76%, rappel 62%, F1 0.68), et anomalies combinées (précision 86%, rappel 89%, F1 0.88). Ce système pourrait être déployé sur dispositifs mobiles pour améliorer l'accessibilité diagnostique dans les zones sous-médicalisées.
Mots clés : CNN, MFCC, mél-spectrogramme, sons respiratoires, diagnostic assisté par IA