[論文レビュー] Automatic Diagnosis of Short-Duration 12-Lead ECG using a Deep Convolutional Network

Antônio H. Ribeiro, Antônio H. Ribeiro+8 more|arXiv (Cornell University)|Nov 28, 2018

ECG Monitoring and Analysis参考文献 35被引用数 6

ひとこと要約

本論文では、7〜10秒の短時間の心電図信号から、6種類の一般的な12誘導心電図異常を自動で診断する深層畳み込みニューラルネットワークを提案する。200万件を超える実臨床の心電図から構成される新規データセットで学習されたモデルは、4年次循環器内科レジidencyの診断性能を6つの異常分類のうち5つで上回り、F1スコアは80%以上、特異度は99%を超えた。

ABSTRACT

We present a model for predicting electrocardiogram (ECG) abnormalities in short-duration 12-lead ECG signals which outperformed medical doctors on the 4th year of their cardiology residency. Such exams can provide a full evaluation of heart activity and have not been studied in previous end-to-end machine learning papers. Using the database of a large telehealth network, we built a novel dataset with more than 2 million ECG tracings, orders of magnitude larger than those used in previous studies. Moreover, our dataset is more realistic, as it consist of 12-lead ECGs recorded during standard in-clinics exams. Using this data, we trained a residual neural network with 9 convolutional layers to map 7 to 10 second ECG signals to 6 classes of ECG abnormalities. Future work should extend these results to cover a large range of ECG abnormalities, which could improve the accessibility of this diagnostic tool and avoid wrong diagnosis from medical doctors.

研究の動機と目的

• 原始信号入力を用いた12誘導心電図異常の自動診断を目的としたエンドツーエンドの深層学習モデルの開発。
• 深層学習モデルの学習に適した大規模かつ現実世界の完全ラベル付き12誘導心電図データセットの不足を解消すること。
• 心臓専門医が不足している一次診断および低リソース環境での診断精度とアクセス性の向上。
• 臨床専門家、特に4年次循環器内科レジidencyとの比較によるモデルの性能評価。
• 今後の研究において、より広範な心電図異常のカバーを可能にする基盤を確立すること。

提案手法

• モデルは、7〜10秒の12誘導心電図信号を処理するため、9層の畳み込み層を有する残留ニューラルネットワークを採用している。
• 残留ブロック間でのテンソル次元を一致させるために、1×1畳み込み層を用いたスキップ接続を含む。
• 6種類の心電図異常の多クラス確率出力を得るために、最終層にシグモイド活性化関数を適用している。
• 二値交差エントロピー損失関数と、学習率を段階的に減衰させる戦略を用いたAdam最適化手法で学習を実行している。
• 50エポックにわたって学習を実行し、検証損失に基づく早期停止を適用し、最も性能の良いモデルを選択している。
• 各クラスの陽性予測を決定するため、正確度-再現度曲線の変曲点に基づいて手動でしきい値を設定している。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、訓練を受けた医療専門家よりも、12誘導心電図の診断性能を上回ることができるか？
• RQ2 現実世界の短時間12誘導心電図を臨床現場で収集したデータに対して、エンドツーエンドの深層学習アプローチはどの程度効果的か？
• RQ3 大規模かつ現実世界の心電図データセットは、複数の心電図異常において高精度な自動診断を可能にするか？
• RQ4 深層学習モデルと臨床専門家との間で、一般的な心電図異常の診断において、どの程度の性能差が生じるか？
• RQ5 今後の研究において、このようなモデルをどの程度までより広範な心電図診断に拡張可能か？

主な発見

• 1度房室ブロックに関して、深層学習モデルはF1スコア0.813を達成し、4年次循環器内科レジidencyの0.776を上回った。
• 右脚ブロック枝伝導障害では、モデルのF1スコアは0.935、医師の0.917を上回り、再現度100%、特異度99.5%を達成した。
• 左脚ブロック枝伝導障害では、モデルが再現度100%、F1スコア98.5%を達成し、医師の94.7%を上回った。
• 心房細動では、モデルのF1スコアは84.6%で、医師と同等の性能を示したが、特異度が99.8%（医師：99.6%）とやや高かった。
• 1度房室ブロック、RBBB、LBBB、SB、STの5つの心電図異常において、モデルはF1スコアで医師を上回った。
• すべての6つの異常において、モデルは99%を超える高い特異度を示し、真陰性の検出能が優れていた。