[論文レビュー] CROCS: Clustering and Retrieval of Cardiac Signals Based on Patient Disease Class, Sex, and Age

Dani Kiyasseh, Tingting Zhu+1 more|arXiv (Cornell University)|Nov 28, 2020

Machine Learning in Healthcare被引用数 4

ひとこと要約

CROCS は、疾患分類、性別、年齢などの患者属性を用いて心電図信号をクラスタリングおよび検索する教師あり対照学習フレームワークである。類似した患者プロファイルの表現を引き寄せる臨床プロトタイプを学習することで、CROCS は、クラスタリング（チャップマンで90.3％の正確度、AMIで72.8％）および検索において最先端の手法を上回り、ECGデータの意味的に解釈可能な属性ベースの整理を可能にする。

ABSTRACT

The process of manually searching for relevant instances in, and extracting information from, clinical databases underpin a multitude of clinical tasks. Such tasks include disease diagnosis, clinical trial recruitment, and continuing medical education. This manual search-and-extract process, however, has been hampered by the growth of large-scale clinical databases and the increased prevalence of unlabelled instances. To address this challenge, we propose a supervised contrastive learning framework, CROCS, where representations of cardiac signals associated with a set of patient-specific attributes (e.g., disease class, sex, age) are attracted to learnable embeddings entitled clinical prototypes. We exploit such prototypes for both the clustering and retrieval of unlabelled cardiac signals based on multiple patient attributes. We show that CROCS outperforms the state-of-the-art method, DTC, when clustering and also retrieves relevant cardiac signals from a large database. We also show that clinical prototypes adopt a semantically meaningful arrangement based on patient attributes and thus confer a high degree of interpretability.

研究の動機と目的

• 大規模でラベルなしの臨床データベースから関連する心電図信号を手動で検索する課題に対処すること。
• 複数の患者属性に基づいて心電図信号のクラスタリングと検索を両立する統合フレームワークを構築すること。
• 患者特性に応じて意味的に意味のある方法で整理された学習済み臨床プロトタイプを用いることで、解釈性を向上させること。
• 実世界の心電図データベースにおいて、クラスタリングおよび検索の性能を既存手法を上回ること。

提案手法

• CROCS は、入力となる心電図データに基づいて、神経ネットワークを用いて心電図信号を高次元表現に埋め込む。
• 各患者属性のユニークな組み合わせ（例：疾患分類、性別、年齢）に対して学習可能な臨床プロトタイプを導入し、類似した信号表現を引き寄せる役割を果たす。
• 同じ属性を持つプロトタイプの周囲に表現がクラスタリングされるよう、ソフトアサインメント対照損失（NCE-soft）を採用する。
• プロトタイプが属性間の意味的関係を保つようにするための正則化項を適用し、解釈性を向上させる。
• 表現学習のための NCE-soft 損失と、プロトタイプの意味的構造のための正則化損失を組み合わせた、エンドツーエンドの訓練を行う。
• 訓練後、プロトタイプを用いてクラスタリング（信号を最も近いプロトタイプに割り当てる）および検索（属性の組み合わせをクエリとして入力する）が可能になる。

実験結果

リサーチクエスチョン

• RQ1 統合的な深層学習フレームワークは、複数の患者属性を用いて、ラベルなしの心電図信号のクラスタリングと検索を効果的に行えるか？
• RQ2 学習可能な臨床プロトタイプの使用は、既存手法と比較して、クラスタリングおよび検索性能をどのように向上させるか？
• RQ3 学習されたプロトタイプは、疾患分類、性別、年齢などの患者属性間の意味的関係をどの程度正確に反映しているか？
• RQ4 この多属性設定において、ソフトアサインメントはハードアサインメントよりも優れた性能を示すか？
• RQ5 クラスタリングおよび検索の両タスクで最先端の性能を達成しつつ、高い解釈性を維持できるか？

主な発見

• チャップマン心電図データベースにおいて、CROCS は疾患分類に基づくクラスタリングで90.3％の正確度と72.8％のAMIを達成し、最先端の手法 DTC を上回った。
• PTB-XL データセットでは、疾患分類のクラスタリングで76.0％の正確度と76.1％のAMIを達成し、異なるデータセットに対しても強固な性能を示した。
• ソフトアサインメントと正則化を組み合わせたフレームワーク（NCE-soft + reg）は、変種を常に上回り、チャップマンでの性別および年齢属性のクラスタリングで57.4％の正確度と38.0％のAMIを達成した。
• 臨床プロトタイプは意味的に整列されており、類似した属性の組み合わせが一貫したクラスタを形成しており、解釈性が向上した。
• アブレーションスタディにより、ソフトアサインメントと正則化項が性能およびプロトタイプの解釈性を顕著に向上させたことが確認された。
• CROCS は、多属性クエリに基づいて関連する心電図信号を効果的に検索でき、クラスタリングおよび検索の両タスクで DTC より優れた性能を示した。