[論文レビュー] CLOCS: Contrastive Learning of Cardiac Signals.

Dani Kiyasseh, Tingting Zhu+1 more|arXiv (Cornell University)|May 27, 2020

Phonocardiography and Auscultation Techniques参考文献 13被引用数 12

ひとこと要約

CLOCSは、時間、誘導、患者間の埋め込みを整合させることで表現を学ぶ、心電図信号向けの対照的学習フレームワークを提案する。下流タスクにおいてSimCLRを著しく上回り、ラベル付きデータの25%のみで強力な性能を達成するとともに、患者固有の表現学習を可能にし、患者間類似度の定量化を可能にする。

ABSTRACT

The healthcare industry generates troves of unlabelled physiological data. This data can be exploited via contrastive learning, a self-supervised pre-training mechanism that encourages representations of instances to be similar to one another. We propose a family of contrastive learning methods, CLOCS, that encourages representations across time, leads, and patients to be similar to one another. We show that CLOCS consistently outperforms the state-of-the-art approach, SimCLR, on both linear evaluation and fine-tuning downstream tasks. We also show that CLOCS achieves strong generalization performance with only 25% of labelled training data. Furthermore, our training procedure naturally generates patient-specific representations that can be used to quantify patient-similarity.

研究の動機と目的

• ラベル付き心電図信号データの限界を克服するため、自己教師付き対照的学習を活用すること。
• 時間的セグメント、誘導、患者間での埋め込みの整合を図ることで、心電図データにおける表現学習を向上させること。
• 特に訓練データの25%を用いた場合でも、下流タスクで優れた性能を達成すること。
• 患者固有の表現を生成し、臨床的に意味のある形で患者間類似度を定量化すること。

提案手法

• CLOCSは、同じ心電図信号から得られる視覚のペア（正例）同士を類似させることを目的とした対照的学習目的関数を採用する。
• 視覚は、時間（時間的クロップ）、誘導（チャネルレベルの拡張）、患者（患者間クロスビュー）の各側面で同一の心電図信号を拡張することで生成される。
• モデルは、正例（たとえば、同じ信号の異なる拡張）同士を近づけ、負例同士を遠ざける共通の表現空間を学習する。
• 対照的損失はモーメンタムエンコーダーとキュー形式のメモリバンクを用いて最適化され、学習の安定化が図られる。
• このフレームワークは、心室性不整脈検出などの下流タスクにおける線形評価とファインチューニングの両方をサポートする。
• 患者固有の表現は最終層から抽出され、得られた埋め込みのコサイン類似度を用いて患者間類似度が計算される。

実験結果

リサーチクエスチョン

• RQ1 時間、誘導、患者間での対照的学習は、最先端手法と比較して心電図信号の表現品質を向上させるか？
• RQ2 ラベル付きデータの25%しか使用しない場合、CLOCSはどの程度一般化性能を示すか？
• RQ3 学習された表現は、臨床的に意味のある形で患者間類似度を効果的に定量化できるか？
• RQ4 CLOCSは、心電図分類タスクにおける線形評価およびファインチューニング設定で、SimCLRを上回るか？

主な発見

• CLOCSは、複数の心電図データセットにおいて、線形評価およびファインチューニングの両下流タスクで一貫してSimCLRを上回る。
• CLOCSは、ラベル付き訓練データの25%のみで優れた性能を達成し、データが限られる状況下でも強固な一般化性能を示す。
• モデルは患者固有の表現を生成し、学習済み埋め込みのコサイン類似度を用いて意味のある患者間類似度の定量化を可能にする。
• 時間、誘導、患者間での対照的学習目的関数は、単一モダリティまたは単一患者アプローチよりも、より強固で一般化可能な表現を生み出す。