[論文レビュー] Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks

Supreeth P. Shashikumar, Amit Shah+2 more|arXiv (Cornell University)|May 7, 2018

ECG Monitoring and Analysis参考文献 50被引用数 7

ひとこと要約

本論文では、30秒の心電図（ECG）ウィンドウを10分間のセグメントで分析する際に、注意メカニズムを組み込んだ双方向再帰ニューラルネットワーク（BRNN）と畳み込みニューラルネットワーク（CNN）を組み合わせた手法を提案する。モデルはバーチャル・バレー心臓ステーションの2,850例のホルター心電図データセットでAUC 0.94を達成し、低SNRの光容積脈波計（PPG）信号への転移学習を実現することで、長期間のウェアラブルモニタリングにおける正確で偽陽性が少ないAF検出を可能にする。

ABSTRACT

Detection of atrial fibrillation (AF), a type of cardiac arrhythmia, is difficult since many cases of AF are usually clinically silent and undiagnosed. In particular paroxysmal AF is a form of AF that occurs occasionally, and has a higher probability of being undetected. In this work, we present an attention based deep learning framework for detection of paroxysmal AF episodes from a sequence of windows. Time-frequency representation of 30 seconds recording windows, over a 10 minute data segment, are fed sequentially into a deep convolutional neural network for image-based feature extraction, which are then presented to a bidirectional recurrent neural network with an attention layer for AF detection. To demonstrate the effectiveness of the proposed framework for transient AF detection, we use a database of 24 hour Holter Electrocardiogram (ECG) recordings acquired from 2850 patients at the University of Virginia heart station. The algorithm achieves an AUC of 0.94 on the testing set, which exceeds the performance of baseline models. We also demonstrate the cross-domain generalizablity of the approach by adapting the learned model parameters from one recording modality (ECG) to another (photoplethysmogram) with improved AF detection performance. The proposed high accuracy, low false alarm algorithm for detecting paroxysmal AF has potential applications in long-term monitoring using wearable sensors.

研究の動機と目的

• 発作性房細動（AF）の間欠的で一時的な発作を捉えるために、間欠的で一時的なAF発作を考慮した深層学習手法を活用し、長期間のECG記録におけるAF検出を向上させること。
• 10分間のセグメント内での高確率AFウィンドウを優先するソフト注意メカニズムを用いることで、偽陽性を低減するAF検出を実現すること。
• ECGデータで学習したモデルをスマートウォッチデバイスの低SNRの光容積脈波計（PPG）信号に適応させるという転移学習の可能性を評価すること。
• 注意メカニズムに基づくサリエンシー可視化を用いて、アクティブラーニングと専門家によるラベルの精錬を支援する臨床的解釈可能なフレームワークを開発すること。

提案手法

• 30秒のECGウィンドウの時間周波数表現をウェーブレット解析を用いて生成し、スペクトログラムに類似した入力を得る。
• 畳み込みニューラルネットワーク（CNN）が時間周波数ドメインからの判別的特徴を画像ベースで抽出する。
• 抽出された特徴は、10分間のECGセグメント内における連続する30秒ウィンドウ間の時間的依存性をモデル化するための双方向再帰ニューラルネットワーク（BRNN）に供給される。
• BRNNの上にソフト注意メカニズムを適用し、AF発作の可能性がより高いセグメントを動的に重み付けすることで、ノイズや非AFリズムを抑制する。
• モデルはバーチャル・バレー心臓ステーションの2,850例の患者からなる大規模なホルター心電図データセット上でエンドツーエンドで学習される。
• 転移学習は、スマートウォッチデバイスの小型PPGデータセット上でECGで学習したモデルをファインチューニングすることで実施され、異なるモodalities間での特徴の共有を活用する。

実験結果

リサーチクエスチョン

• RQ1 CNNとBRNNを組み合わせた注意メカニズムを備えた深層学習フレームワークは、標準モデルに比べて発作性AFの検出性能を向上させることができるか？
• RQ2 ソフト注意メカニズムは、長期間にわたるノイズの多いECG記録内での一時的で高確率のAFウィンドウに注目することで、性能を向上させるか？
• RQ3 ECGデータで学習したモデルが、ウェアラブルセンサーからの低SNRのPPG記録におけるAF検出にどの程度効果的に転送可能か？
• RQ4 AF負荷閾値の異なる条件下でのモデルの性能はどのように変化するか？これは臨床的ラベリングと評価にどのような意味を持つのか？

主な発見

• 提案されたモデルは、ホルター心電図テストデータセットで受信器特性曲線下積分（AUC）0.94を達成し、ベースラインモデルを上回った。
• 注意メカニズムにより、長期間にわたる大部分が正常なECGセグメント内でも、短時間で高確率のAF発作を特定・優先することができ、偽陽性が低減された。
• ECGからPPGへの転移学習により、PPGデータセットにおけるAF検出性能が向上し、異なるモダリティ間での一般化能力が示された。
• モデルの注意重みは10分間のウィンドウにおけるAF負荷の定量的測定値を提供し、心律不整脈負荷の臨床的解釈を支援した。
• AF負荷閾値に基づいた再ラベリングにより、性能に顕著な影響が見られた。AF負荷が75％以上であるセグメントを対象とした場合、AUCは0.97に上昇した。
• 注意重みの可視化により、アクティブラーニングを支援するフレームワークが実現され、専門家がラベルを精錬し、モデルの精度を段階的に向上させることができた。