[論文レビュー] Deep Transfer Learning for Physiological Signals.

Hugh Chen, Scott Lundberg+3 more|arXiv (Cornell University)|Feb 12, 2020

Phonocardiography and Auscultation Techniques参考文献 61被引用数 4

ひとこと要約

PHASEは、信号固有のLSTMを用いて生理的信号の共有で低次元の埋め込みを学習する深層転送学習フレームワークであり、病院や部署をまたいで悪性の予後を予測するのを向上させることを可能にする。優れた性能を達成するとともに、計算コストを低く抑え、多様な臨床環境間で知識を効果的に転送する。

ABSTRACT

Deep learning is increasingly common in healthcare, yet transfer learning for physiological signals (e.g., temperature, heart rate, etc.) is under-explored. Here, we present a straightforward, yet performant framework for transferring knowledge about physiological signals. Our framework is called PHASE (PHysiologicAl Signal Embeddings). It i) learns deep embeddings of physiological signals and ii) predicts adverse outcomes based on the embeddings. PHASE is the first instance of deep transfer learning in a cross-hospital, cross-department setting for physiological signals. We show that PHASE's per-signal (one for each signal) LSTM embedding functions confer a number of benefits including improved performance, successful transference between hospitals, and lower computational cost.

研究の動機と目的

• 病院や部署をまたいで生理的信号解析における転送学習が未だ十分に探求されていない課題に対処すること。
• 悪性臨床予後の予測を向上させるために、生理的信号の共有表現を学ぶフレームワークを開発すること。
• 異なるデータ分布や信号収集プロトコルを持つ病院間での知識転送を可能にすること。
• 下流の予測タスクにおけるモデル性能を維持または向上させながら、計算コストを低減すること。

提案手法

• 心拍数や体温などの生の生理的信号から深く低次元の埋め込みを学ぶために、信号固有の長短期記憶（LSTM）ネットワークを訓練する。
• 学習された埋め込みを、悪性予後予測などの下流の予測タスクのための転送可能な表現として使用する。
• 異なる病院や部署にわたって同じ埋め込み関数を適用し、ゼロショットまたはフェイワショットの転送学習を可能にする。
• 共有埋め込みの上に最終的な予測ヘッドを訓練し、ファインチューニング中に埋め込み関数を固定する。
• 悪性イベントの分類のための交差エントロピー損失を用いて、フレームワークをエンドツーエンドで最適化する。
• 再訓練なしに、異なる病院や部署のデータに対して同じ埋め込み関数をテストすることで、転送可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 信号固有のLSTMベースの埋め込みは、異なる病院や臨床部署間で、知識を効果的に転送できるか？
• RQ2 PHASEからの共有埋め込みを用いることで、初期から訓練したベースラインモデルと比較して、悪性予後の予測性能が向上するか？
• RQ3 PHASEは、モデルの正確性を維持または向上させながら、計算コストをどの程度低減できるか？
• RQ4 異なる病院におけるデータ分布や信号収集プロトコルの変動に対して、学習された埋め込みはどの程度頑健か？

主な発見

• PHASEは、初期から訓練したベースラインモデルと比較して、悪性予後の予測性能が向上している。
• 異なるデータ分布や信号収集システムを持つ病院間でも、知識の転送が成功しており、フレームワークは効果的に機能している。
• PHASEは、複数の予測タスクにわたって事前に訓練された信号固有の埋め込み関数を再利用することで、計算コストを削減している。
• 全信号に共通する汎用的または共有埋め込みよりも、信号固有のLSTM埋め込みが優れた表現学習を実現している。
• 埋め込みが1つの病院で学習された後、ファインチューニングなしで別の病院に一般化できる強力なゼロショット転送能力を示している。
• 異なるモニタリングプロトコルや信号タイプを持つ部署のデータでも、PHASEは高い性能を維持している。