[論文レビュー] A Deep Bayesian Neural Network for Cardiac Arrhythmia Classification with Rejection from ECG Recordings

Wenrui Zhang, Xinxin Di+4 more|arXiv (Cornell University)|Feb 26, 2022

ECG Monitoring and Analysis被引用数 4

ひとこと要約

本稿では、12 lead ECG からの心室不整脈の分類を、モンテカルロドロップアウトを用いた深層ベイジアンニューラルネットワークを提案する。予測の拒否を、データとモデルの不確実性の組み合わせに基づいて行う。高い不確実性を示す予測を拒否することで、受け入れられたケースにおける分類精度が向上し、不確実性推定が臨床的信頼性を向上させ、ECG 解釈におけるディープラーニングの安全な導入を支援することを示している。

ABSTRACT

With the development of deep learning-based methods, automated classification of electrocardiograms (ECGs) has recently gained much attention. Although the effectiveness of deep neural networks has been encouraging, the lack of information given by the outputs restricts clinicians' reexamination. If the uncertainty estimation comes along with the classification results, cardiologists can pay more attention to "uncertain" cases. Our study aims to classify ECGs with rejection based on data uncertainty and model uncertainty. We perform experiments on a real-world 12-lead ECG dataset. First, we estimate uncertainties using the Monte Carlo dropout for each classification prediction, based on our Bayesian neural network. Then, we accept predictions with uncertainty under a given threshold and provide "uncertain" cases for clinicians. Furthermore, we perform a simulation experiment using varying thresholds. Finally, with the help of a clinician, we conduct case studies to explain the results of large uncertainties and incorrect predictions with small uncertainties. The results show that correct predictions are more likely to have smaller uncertainties, and the performance on accepted predictions improves as the accepting ratio decreases (i.e. more rejections). Case studies also help explain why rejection can improve the performance. Our study helps neural networks produce more accurate results and provide information on uncertainties to better assist clinicians in the diagnosis process. It can also enable deep-learning-based ECG interpretation in clinical implementation.

研究の動機と目的

• ディープラーニングモデルがECG 解釈において提供する予測に対して、信頼度の推定を行わないという臨床的限界を是正すること。
• 不確実性推定を組み込むことで、自動ECG 分類の診断的信頼性を向上させること。
• 予測の拒否（不確実なケースを自動出力から除外）を可能にすることで、臨床医が高リスクまたは曖昧なケースに集中できるようにすること。
• 不確実性に基づく拒否が、全受容と比較して、受容された予測のパフォーマンスを向上させるかどうかを評価すること。
• 高不確実性が臨床的に難しいケース（例：ラベルの不一致、ノイズの多い信号）に関連することを示す解釈可能性を提供すること。

提案手法

• 2018年CPSCチャレンジの実世界の12 lead ECG データセットを用いて、61層の深層ベイジアン畳み込みニューラルネットワークを学習する。
• 推論時にモンテカルロドロップアウトを適用し、複数回の順方向伝搬をサンプリングすることでモデルの不確実性を推定する。
• データの不確実性は、ドロップアウトサンプル間での予測クラス確率の分散から推定される。
• 各予測について、データの不確実性とモデルの不確実性の合計として、総不確実性を計算する。
• 拒否しきい値を適用する：総不確実性がしきい値を超える予測は拒否され、分類されない。
• さまざまな拒否しきい値で手法を評価し、心電図専門医によるケーススタディを通じて、高不確実性および誤分類ケースの解釈を実施する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンディープラーニングからの不確実性推定は、自動ECG 不整脈分類の信頼性を向上させることができるか？
• RQ2 高い不確実性を示す予測を拒否することで、残りの受容された予測のパフォーマンスが向上するか？
• RQ3 高不確実性の臨床的要因（例：ラベルの不一致、信号ノイズ）は何か？ それらはモデルの予測にどのように影響するか？
• RQ4 拒否率が上昇するにつれて、モデルのパフォーマンスはどのように変化するか？
• RQ5 不確実性に基づく拒否は、危険なまたは曖昧なケースを専門家レビューの優先対象にできるため、安全な臨床的導入を支援できるか？

主な発見

• 正しく分類されたサンプルは、誤って分類されたサンプルと比較して、有意に低い不確実性（p < 0.01）を示しており、不確実性と予測信頼性の相関が確認された。
• 拒否しきい値を低くすると（すなわち、より多くの予測が拒否されるようになると）、すべての不整脈タイプにおいて、受容された予測の精度が向上した。これは、保持されたケースにおけるパフォーマンスの向上を示している。
• 拒否されたサンプルは、誤分類されやすい傾向にあり、不確実性が臨床的レビューの対象となる高リスクまたは曖昧なケースを効果的に特定していることが示された。
• ケーススタディから、高データ不確実性は、主にノイズの多いECG信号や専門家間のラベル不一致に起因しており、特に混合または境界に近いケースで顕著であった。
• 低不確実性で誤った予測がなされたケースの主な原因は、ラベルの不一致や不完全さであり、特に複数の不整脈が同時に存在する場合に1つの不整脈にラベル付けされたケースであった。
• 本手法により、疾患の重症度に応じた動的しきい値設定が可能となり、生命を脅かす不整脈に対してはより高い安全マージンを確保できる。