[論文レビュー] An Update on a Progressively Expanded Database for Automated Lung Sound Analysis

Fu-Shun Hsu, Shang-Ran Huang+6 more|arXiv (Cornell University)|Feb 8, 2021

Phonocardiography and Auscultation Techniques参考文献 12被引用数 4

ひとこと要約

本稿では、HF_Lung_V1に比べ1.45倍の音声ファイルが増加した拡張版オープンアクセス肺音データベースHF_Lung_V2を提示する。これにより、吸気、呼気、連続性のある付加的音（CAS）、および断続的な付加的音（DAS）を検出するためのディーブラーニングモデルの性能向上が可能になる。吸気、呼気、CAS検出では性能が向上したが、DAS検出はラベル品質と音の重複による制限を受けており、洗練されたラベリングと重複低減戦略の必要性が浮き彫りになった。

ABSTRACT

Purpose: We previously established an open-access lung sound database, HF_Lung_V1, and developed deep learning models for inhalation, exhalation, continuous adventitious sound (CAS), and discontinuous adventitious sound (DAS) detection. The amount of data used for training contributes to model accuracy. Herein, we collected larger quantities of data to further improve model performance. Moreover, the issues of noisy labels and sound overlapping were explored. Methods: HF_Lung_V1 was expanded to HF_Lung_V2 with a 1.45x increase in the number of audio files. Convolutional neural network-bidirectional gated recurrent unit network models were trained separately using the HF_Lung_V1 (V1_Train) and HF_Lung_V2 (V2_Train) training sets and then tested using the HF_Lung_V1 (V1_Test) and HF_Lung_V2 (V2_Test) test sets, respectively. Segment and event detection performance was evaluated using the F1 scores. Label quality was assessed. Moreover, the overlap ratios between inhalation, exhalation, CAS, and DAS labels were computed. Results: The model trained using V2_Train exhibited improved F1 scores in inhalation, exhalation, and CAS detection on both V1_Test and V2_Test but not in DAS detection. Poor CAS detection was attributed to the quality of CAS labels. DAS detection was strongly influenced by the overlapping of DAS labels with inhalation and exhalation labels. Conclusion: Collecting greater quantities of lung sound data is vital for developing more accurate lung sound analysis models. To build real ground-truth labels, the labels must be reworked; this process is ongoing. Furthermore, a method for addressing the sound overlapping problem in DAS detection must be formulated.

研究の動機と目的

• HF_Lung_V1データベースを大幅に拡張することで、自動肺音分析の精度を向上させること。
• 増加した学習データが肺音セグメンテーションおよびイベント検出におけるディーブラーニングモデル性能に与える影響を評価すること。
• ラベル品質および音の重複という継続的な課題、特にDAS検出に与える影響を特定し、それらに対処すること。
• 継続的に拡大するオープンアクセスの肺音データベースを提供することで、今後の研究の基盤を築くこと。このデータベースは、データ品質とスケーラビリティの両方を向上させたものである。

提案手法

• HF_Lung_V1データベースを系統的なデータ収集により拡張し、HF_Lung_V2に発展させ、音声ファイル数を1.45倍に増加させた。
• 畳み込みニューラルネットワークと双方向ゲート付き再帰ユニット（CNN-BGRU）を組み合わせたモデルを、HF_Lung_V1（V1_Train）およびHF_Lung_V2（V2_Train）データセット別に別々に学習させた。
• 汎化性能と向上度を評価するため、F1スコアを用いて2つのテストセット（HF_Lung_V1：V1_Test、HF_Lung_V2：V2_Test）でモデル性能を評価した。
• 特にCAS検出性能に影響を与える可能性があるノイズの多いラベルを特定するため、ラベル品質を評価した。
• 吸気、呼気、CAS、DASのラベル間の重なり割合を計算し、時間的ずれの問題を定量化した。
• データ量とラベル品質および重複の影響を分離するための比較評価フレームワークを採用した。

実験結果

リサーチクエスチョン

• RQ1 肺音データベースのサイズを拡大することで、吸気、呼気、CAS、DASの検出におけるディーブラーニングモデルの性能にどのような影響を与えるか？
• RQ2 特にCASアノテーションにおけるラベル品質の問題が、モデルの検出精度にどの程度影響を与えるか？
• RQ3 DASラベルが吸気および呼気ラベルと重複することで、DAS検出性能にどのような影響を与えるか？
• RQ4 より大きなトレーニングデータセットは、ラベル品質の悪さや重複の問題を補うことができるか？
• RQ5 現在の自動肺音分析における主なボトル neck とは何か？そして、データおよびモデルの改善によってそれらはどのように解決できるか？

主な発見

• HF_Lung_V2で学習したモデル（V2_Train）は、V1_TestおよびV2_Testの両テストセットにおいて、吸気、呼気、CAS検出でV1_Trainモデルよりも高いF1スコアを達成した。
• DAS検出性能は拡張データセットによって向上しなかったことから、データ量だけでは根本的なデータ品質の問題を克服できないことが示された。
• CAS検出の低さは、CASアノテーションにおける低品質またはノイズの多いラベルに直接関連しており、増加した学習データにもかかわらずモデル性能が制限された。
• DAS検出は、吸気および呼気ラベルと重複するラベルによって顕著に阻害されており、時間的ずれが主要な交絡要因であると考えられる。
• 本研究では、データ量の増加がラベル品質と時間的整合性が整った状態でなければ性能向上に寄与しないことが確認された。これにより、真のラベル（グランドトゥルース）の再構築の必要性が浮き彫りになった。
• 著者らは、今後の進展には、単に大きなデータセットを用意するのではなく、改善されたラベリングプロトコルおよびDAS検出における音の重複を解消する手法の導入が不可欠であると結論づけた。