[論文レビュー] ECG for high-throughput screening of multiple diseases: Proof-of-concept using multi-diagnosis deep learning from population-based datasets

Weijie Sun, Sunil V. Kalmady+6 more|arXiv (Cornell University)|Oct 6, 2022

ECG Monitoring and Analysis被引用数 6

ひとこと要約

本研究では、250,000名以上の患者と200万件以上の心電図を含む集団スケールのデータセットを用いて、1回の入院時心電図から120種類以上の疾患——心血管疾患および非心血管疾患を含む——を深層学習モデルで予測できることが示された。128のICDコードと68の疾患カテゴリでAUROC > 80%を達成し、心電図の高スループット・マルチ疾患スクリーニングにおける可能性が示されたが、発症率が低い疾患では精度が限定的であることがわかった。

ABSTRACT

Electrocardiogram (ECG) abnormalities are linked to cardiovascular diseases, but may also occur in other non-cardiovascular conditions such as mental, neurological, metabolic and infectious conditions. However, most of the recent success of deep learning (DL) based diagnostic predictions in selected patient cohorts have been limited to a small set of cardiac diseases. In this study, we use a population-based dataset of >250,000 patients with >1000 medical conditions and >2 million ECGs to identify a wide range of diseases that could be accurately diagnosed from the patient's first in-hospital ECG. Our DL models uncovered 128 diseases and 68 disease categories with strong discriminative performance.

研究の動機と目的

• 心電図信号が循環器疾患にとどまらない広範な疾患の診断に特徴的な情報を含むかどうかを調査すること。
• 入院時初回の心電図から複数のICDコード付き疾患を予測可能な深層学習モデルの開発および妥当性評価を行うこと。
• 実世界の集団ベースの医療データを用いて、多様な疾患カテゴリにおけるこれらのモデルの汎用性および頑健性を評価すること。
• 予測性能に基づいて、将来の焦点を当てた心電図ベースの診断研究の対象疾患を同定すること。

提案手法

• 本研究では、2007年から2020年までの間、アルバータ州の26の病院から得られた260,065名の患者の集団ベースのデータセットを用い、12誘導心電図2,015,808件がICD-10診断コードとリンクされた。
• データクリーニングおよび除外基準（例：信号品質が悪いもの、ペースメーカー装着者、年齢18歳未満）を適用した後、239,852名の患者の1,514,968件の心電図がモデリングに使用された。
• 残差畳み込みニューラルネットワーク（ResNetベース）アーキテクチャが12誘導心電図を処理し、年齢および性別の特徴量が最終全結合層に連結されてマルチラベル分類が行われた。
• モデルはバイナリ・クロスエントロピー損失、Adam最適化法（初期学習率0.001）、バッチ正則化、ReLU活性化関数、ドロップアウトを用いて正則化された。
• モデルは内部の60%のデータセットで学習され、患者の重複がない外部40%のホールドアウトセットで検証された。
• 性能評価にはAUROCおよびAUPRCが用いられ、最終的な上位パフォーマンスのラベル選定は、AUROC > 80%かつAUPRC ≥ 5%、または精度が発症率の20倍以上である基準に基づいた。

実験結果

リサーチクエスチョン

• RQ1 集団スケールの心電図および診断データを用いて学習された深層学習モデルは、1回の心電図から循環器疾患にとどまらない広範な疾患を予測できるか？
• RQ2 AUROCおよび精度・再現率指標で測定した場合、どの疾患が心電図信号において強く特徴的な性能を示すか？
• RQ3 モデルの予測は、外部の独立した検証セットの患者および心電図にどの程度一般化されるか？
• RQ4 モデルの予測は、実際の病理的関連性を反映しているのか、それとも合併症、薬物、人口統計的要因によって歪められているのか？

主な発見

• 外部検証で128のICD-10コードおよび68のICDカテゴリでAUROC > 80%を達成し、多様な疾患タイプにわたり強力な特徴抽出性能を示した。
• 40のICD-10コードおよび16のICDカテゴリで外部検証でAUROC > 90%を達成し、特定の疾患に対して高い感度と特異度を示した。
• 強力なAUROCにもかかわらず、発症率が低いため（89.8%の疾患で陽性心電図が1%未満）、多くの疾患で精度が低く、診断の「除外」に向けた臨床的有用性が制限された。
• モデルは外部病院間でも性能を再現できたため、汎用性の可能性を示唆したが、さらなる検証が必要である。
• 上位パフォーマンスを示した疾患は、神経疾患、代謝疾患、感染症、腎疾患など、複数のICD区分にわたり分布しており、心電図の広範な診断的潜在能力を示している。
• 本研究では、将来の焦点を当てた心電図研究の対象となる128の疾患候補を同定し、多疾患スクリーニングの発見ツールとしての手法の価値を強調した。