[論文レビュー] Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks

Pranav Rajpurkar, Awni Hannun+3 more|arXiv (Cornell University)|Jul 6, 2017

ECG Monitoring and Analysis参考文献 21被引用数 618

ひとこと要約

34層CNNは30,000人の患者からなる14クラスの単一誘導ECGデータセットで訓練され、心臓専門医レベルの性能を達成し、さまざまな不整脈の検出において平均的な心臓専門医を上回ることが多い。

ABSTRACT

We develop an algorithm which exceeds the performance of board certified cardiologists in detecting a wide range of heart arrhythmias from electrocardiograms recorded with a single-lead wearable monitor. We build a dataset with more than 500 times the number of unique patients than previously studied corpora. On this dataset, we train a 34-layer convolutional neural network which maps a sequence of ECG samples to a sequence of rhythm classes. Committees of board-certified cardiologists annotate a gold standard test set on which we compare the performance of our model to that of 6 other individual cardiologists. We exceed the average cardiologist performance in both recall (sensitivity) and precision (positive predictive value).

研究の動機と目的

• 臨床ワークフローを支援するために、単一誘導ECGからの自動的で正確な不整脈検出を動機づける。
• 従前のコーパスより桁違いに大規模なデータセットを作成して深層学習を可能にする。
• 生のECG時系列をリズム注釈へマッピングする完全なエンドツーエンドCNNモデルを開発する。
• 金標準注釈を用いて、ボード認定心臓専門医とモデルの性能を比較する。

提案手法

• 30秒、200 HzのECGセグメントを1秒ごとのリズムラベルへ写像するために、残差接続を持つ34層の畳み込みニューラルネットワークを用いる。
• 堅牢な正規化とドロップアウトを用いてエンドツーエンドで訓練する。学習率スケジューリングを組み込んだAdamオプティマイザを使用する。
• 臨床専門家によって64,121件の記録、29,163人の患者からなる大規模ECGデータセットを14のリズムクラスで注釈付けする。真実値として心臓専門医の委員会と比較して検証する。
• 30秒の入力から1 Hzで予測を出力し、リズムのシーケンス対シーケンスラベリングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、単一誘導ECGから幅広い不整脈を検出する際に、平均的なボード認定心臓専門医を上回ることができるか？
• RQ2 データセットサイズとモデルの深さを増やすことで、ECGのシーケンス対シーケンスリズムラベリングの精度が向上するか？
• RQ3 14のリズムクラスにわたる各クラスのF1および総合指標（精度、再現率、F1）の点で、モデルの性能は臨床医とどのように比較されるか？

主な発見

リズムクラス	シーケンスレベルF1（モデル）	シーケンスレベルF1（心臓専門医）	セットレベルF1（モデル）	セットレベルF1（心臓専門医）
AFIB	0.604	0.515	0.667	0.544
AFL	0.687	0.635	0.679	0.646
AVB_TYPE2	0.689	0.535	0.656	0.529
BIGEMINY	0.897	0.837	0.870	0.849
CHB	0.843	0.701	0.852	0.685
EAR	0.519	0.476	0.571	0.529
IVR	0.761	0.632	0.774	0.720
JUNCTIONAL	0.670	0.684	0.783	0.674
NOISE	0.823	0.768	0.704	0.689
SINUS	0.879	0.847	0.939	0.907
SVT	0.477	0.449	0.658	0.556
TRIGEMINY	0.908	0.843	0.870	0.816
VT	0.506	0.566	0.694	0.769
WENCKEBACH	0.709	0.593	0.806	0.736

• モデルは、シーケンスレベルF1とセットレベルF1の両方の指標で平均的な心臓専門医を上回る。
• クラス別F1スコアは、多くのリズム、特にAVブロックタイプとCHBでモデルが心臓専門医より高いF1を達成していることを示す。
• 総合的な精度、再現率、F1は、シーケンス評価とセット評価の双方でモデルを心臓専門医より有利にする。
• 大規模データセット（約64k件、約29k人の患者）と残差接続を持つ33層CNNが性能向上の鍵である。
• モデルは臨床的類似性に沿って、同様のリズムを誤用することが多く（例：Wenckebach vs Mobitz II）、合理的な誤差パターンを示している。