[論文レビュー] Detecting and interpreting myocardial infarctions using fully convolutional neural networks.

Nils Strodthoff, Claas Strodthoff|arXiv (Cornell University)|Jun 18, 2018

ECG Monitoring and Analysis参考文献 42被引用数 8

ひとこと要約

本論文は、PTBデータベースの生ECGデータに対して複雑な前処理を要せず、心筋梗塞を検出するための完全畳み込みニューラルネットワーク（FCNN）アンサンブルを提案する。10分割交差検証を用いた結果、感度93.3%、特異度89.7%を達成し、人間の心臓専門医の性能と同等であり、モデルの意思決定を解釈するための帰属手法を用いている。

ABSTRACT

We consider the detection of myocardial infarction in electrocardiography (ECG) data as provided by the PTB ECG database without non-trivial preprocessing. The classification is carried out using deep neural networks in a comparative study involving convolutional as well as recurrent neural network architectures. The best architecture, an ensemble of fully convolutional architectures, beats state-of-the-art results on this dataset and reaches 93.3% sensitivity and 89.7% specificity evaluated with 10-fold crossvalidation, which is the performance level of human cardiologists for this task. We investigate questions relevant for clinical applications such as the dependence of the classification results on the considered data channels and the considered subdiagnoses. Finally, we apply attribution methods to gain an understanding of the network's decision criteria on an exemplary basis.

研究の動機と目的

• 生ECG信号から、広範な前処理を要せず心筋梗塞を検出する深層学習モデルの開発を目的とする。
• ECGを用いた心筋梗塞検出において、畳み込み型と再帰型ニューラルネットワークのアーキテクチャの性能を比較することを目的とする。
• 臨床実践に関連する異なるECG誘導および亜診断分類において、モデルの頑健性を評価することを目的とする。
• 臨床的透明性を高めるために、帰属手法を用いてモデルの意思決定プロセスを解釈することを目的とする。

提案手法

• 本研究では、PTBデータベースの生ECG信号をエンドツーエンドで学習する完全畳み込みニューラルネットワーク（FCNN）アーキテクチャのアンサンブルを採用する。
• モデルは手作業による特徴工学や非自明な前処理を回避し、直接マルチリードECGデータを処理する。
• モデルの性能評価には10分割交差検証戦略を用い、検出感度と特異度を評価する。
• 最良のFCNNアンサンブルを、再帰型ニューラルネットワークアーキテクチャと比較し、その優位性を検証する。
• クラス活性化マッピングおよびその他の帰属技術を用いて、モデルの予測に影響を与えるECGセグメントを可視化する。
• 個々のECG誘導および亜診断（例：前壁対比下壁梗塞）が分類性能に与える影響を体系的に分析する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みニューラルネットワークは、再帰型アーキテクチャと比較して、生ECGデータにおける心筋梗塞検出においてどのように性能を発揮するか？
• RQ2 個々のECG誘導が、モデルの分類精度および信頼性に与える影響は何か？
• RQ3 心筋梗塞の異なる亜診断において、モデルの性能はどのように変動するか？
• RQ4 帰属手法は、臨床的に解釈可能な形で、モデルの予測をどの程度説明できるか？
• RQ5 このタスクにおいて、モデルは人間の心臓専門医と同等の性能を達成できるか？

主な発見

• 完全畳み込みニューラルネットワークのアンサンブルは、10分割交差検証を用いてPTB ECGデータベースで93.3%の感度と89.7%の特異度を達成した。
• FCNNアンサンブルは、生ECGデータにおける心筋梗塞検出において、再帰型ニューラルネットワークアーキテクチャを上回る性能を示した。
• モデルの性能はECG誘導によって顕著に異なり、一部の誘導が他の誘導よりも分類に寄与していた。
• モデルはさまざまな亜診断においても頑健な性能を示したが、梗塞部位によって感度にわずかな差が見られた。
• 帰属手法により、ネットワークがSTセグメント上昇やQRS複合波の変化といった特徴的なECGパターンに注目していることが明らかになった。
• モデルの性能は人間の心臓専門医とほぼ同等であり、臨床的意義を有し、実世界への導入の可能性を示している。