[論文レビュー] Automatic Diagnosis of the Short-Duration 12-Lead ECG using a Deep Neural Network: the CODE Study.

Antônio H. Ribeiro, Antônio H. Ribeiro+10 more|arXiv (Cornell University)|Apr 2, 2019

ECG Monitoring and Analysis参考文献 34被引用数 8

ひとこと要約

本研究では、200万件を超える臨床記録を含む大規模かつ現実世界のデータセットを用いて、7～10秒の短時間の12誘導心電図トレーシングから6種類の12誘導心電図異常を自動的に診断する深層残差ニューラルネットワークを開発した。モデルはF1スコア80％以上、特異度99％を超える成績を達成し、診断精度において医学生や研修医を上回った。

ABSTRACT

We present a Deep Neural Network (DNN) model for predicting electrocardiogram (ECG) abnormalities in short-duration 12-lead ECG recordings. The analysis of the digital ECG obtained in a clinical setting can provide a full evaluation of the cardiac electrical activity and have not been studied in an end-to-end machine learning scenario. Using the database of the Telehealth Network of Minas Gerais, under the scope of the CODE (Clinical Outcomes in Digital Electrocardiology) study, 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 consists of 12-lead ECGs recorded during standard in-clinic exams. Using this data, we trained a residual neural network with 9 convolutional layers to map ECG signals with a duration of 7 to 10 seconds into 6 different classes of ECG abnormalities. High-performance measures were obtained for all ECG abnormalities, with F1 scores above $80\%$ and specificity indexes over $99\%$. We compare the performance with cardiology and emergency resident medical doctors as well as medical students and, considering the F1 score, the DNN matches or outperforms the medical residents and students for all abnormalities. These results indicate that end-to-end automatic ECG analysis based on DNNs, previously used only in a single-lead setup, generalizes well to the 12-lead ECG. This is an important result in that it takes this technology much closer to standard clinical practice.

研究の動機と目的

• 短時間の12誘導心電図における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ニューラルネットワークの開発。
• 機械学習応用における12誘導心電図解析のための大規模かつ現実世界のデータセットの不足に対処すること。
• 心臓専門医の研修医や医学生を含む臨床専門家との比較を通じて、DNNの性能を評価すること。
• 実臨床の12誘導心電図データで訓練された深層学習モデルが、臨床現場に効果的に一般化できることを示すこと。

提案手法

• 本モデルは、7～10秒の長さの12誘導心電図信号を処理するための、9層の畳み込み層を備えた残差ニューラルネットワークを採用している。
• ネットワークは、ブラジルミナスジェライスのテレヘルスネットワークで日常の外来検査から収集された200万件を超える12誘導心電図トレーシングの新規データセットを用いて訓練された。
• トレーニングデータは、臨床的妥当性とスケーラビリティを保証するため、CODE（Clinical Outcomes in Digital Electrocardiology）研究から得られたものである。
• エンドツーエンド学習により、生の心電図信号を直接6つの事前に定義された心電図異常クラスにマッピングする。
• F1スコアや特異度といった標準指標を用いて性能を評価し、人間の専門家との比較も行った。

実験結果

リサーチクエスチョン

• RQ1 実臨床のデータを用いた大規模な現実世界データセット上で、深層ニューラルネットワークが短時間の12誘導心電図に対して高い診断性能を達成できるか。
• RQ2 DNNの診断性能は、心電図異常の診断において医学生や研修医と比較してどの程度優れているか。
• RQ3 エンドツーエンドの深層学習が、単一誘導から多誘導心電図解析へと一般化する際、臨床現場でどの程度の効果を発揮するか。
• RQ4 大規模かつ現実世界の12誘導心電図データセットは、自動心電図診断モデルの頑健性と臨床的妥当性を向上させることができるか。

主な発見

• DNNは、6つのすべての心電図異常クラスでF1スコアが80％を超えた。これは、強力な診断性能を示している。
• すべての異常に対して特異度が99％を超えた。これは、正常心電図を正確に同定できる高精度性を示している。
• すべての心電図異常カテゴリーにおいて、DNNは医学生や研修医と同等またはそれ以上のF1スコアを達成した。
• エンドツーエンドの深層学習モデルが、実臨床の12誘導心電図データで訓練された場合、臨床現場への一般化が効果的に行えることが示された。
• 本研究では、大規模かつ現実世界の心電図データを用いて、高性能な自動診断システムを訓練することが可能であると示した。