[論文レビュー] CLOCS: Contrastive Learning of Cardiac Signals Across Space, Time, and Patients

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

Phonocardiography and Auscultation Techniques参考文献 28被引用数 30

ひとこと要約

CLOCSはECG信号の患者特異的対比学習手法のファミリーで、時間的・空間的・患者レベルの不変性を活用して堅牢な表現を学習し、BYOLとSimCLRを心律不整分類で上回り、データ効率の高い学習を実現します。

ABSTRACT

The healthcare industry generates troves of unlabelled physiological data. This data can be exploited via contrastive learning, a self-supervised pre-training method that encourages representations of instances to be similar to one another. We propose a family of contrastive learning methods, CLOCS, that encourages representations across space, time, extit{and} patients to be similar to one another. We show that CLOCS consistently outperforms the state-of-the-art methods, BYOL and SimCLR, when performing a linear evaluation of, and fine-tuning on, 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

• 医療現場の豊富な unlabeled 生理データに対する自己教師付き学習を動機付ける。
• 時間的および空間的ECG不変性を活用する患者特異的対比学習手法を提案する。
• CLOCSが下流の心律不整分類性能とデータ効率を改善することを示す。
• CLOCSが患者類似性を定量化するのに適した患者特異的表現を学習することを示す。

提案手法

• 同一患者の表現が変換間で文脈を共有する患者特異的陽例ペアを定義する。
• 3つの変換ベースの符号化スキームを導入する：CMSC（時間的セグメント）、CMLC（異なるリード）、CMSMLC（リード間の時間的セグメント）。
• 対角項と非対角項を組み合わせて同一患者の表現を結びつけ、他を引き離す患者特異的ノイズ対比推定(NCE)損失を定式化する。
• 温度スケールされたコサイン類似度損失を用いたマルチビュー対比フレームワークで学習し、変換ペアと演算子組み合わせを集約する。
• 下流の心律不整タスクで4つのデータセット（PhysioNet 2020、Chapman、PhysioNet 2017、Cardiology）を用いた線形評価と微調整で評価する。
• CLOCSの派生形をRandom Init.、Supervised、MT-SSL、BYOL、SimCLRと比較する；摂動への頑健性と埋め込みサイズの評価も行う。

実験結果

リサーチクエスチョン

• RQ1 患者レベルの文脈はECG信号の対比表現をインスタンスベースの文脈を超えて改善できるか。
• RQ2 ECGの時間的・空間的不変性は下流の心律分類を改善するか。
• RQ3 限られたラベルデータで患者特異的表現は下流タスクへ転移可能か。
• RQ4 CLOCSの派生形は、患者間と患者内の類似性を反映する独自の埋め込み幾何を生み出すか。

主な発見

• CLOCS派生形はデータセットを横断した線形評価と心律分類の微調整で一貫してBYOLとSimCLRを上回る。
• CMSCとCMSMLCは一般に下流性能が最も高く、ベースラインに対して顕著な向上を示す（例：Chapmanデータセットの線形AUC：CMSC 0.896 vs. SimCLR 0.738）。
• CLOCSによる自己教師付き事前学習はデータ効率を大幅に向上させ、25％のラベルデータでも時に完全にラベル付き乱初始化モデルと同等以上を達成。
• 埋め込み分析では、CLOCS下で患者内距離が小さく、分布がより分離可能になることが示され、患者特異的表現を示唆する。
• 全実験を通じて、少なくとも平均で75％の実行でSimCLRを上回り、12リードをすべて用いた場合にはCMSCが多くの設定で全手法を上回る。
• このフレームワークは様々な摂動下でも堅牢な性能を示し、向上は摂動設計自体よりも患者・時間学習不変性によるものと考えられる。