[論文レビュー] ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction

Nathan T. Riek, Murat Akçakaya+11 more|arXiv (Cornell University)|May 8, 2024

ECG Monitoring and AnalysisMedicine被引用数 3

ひとこと要約

ECG-SMART-NET は、1×k および 12×1 コンボリューションを用いた変更版 ResNet-18 を用いて時間的および空間的特徴抽出を統合することで、12 lead ECG における虚血性心筋梗塞（OMI）の検出を向上させる深層学習アーキテクチャである。実世界のマルチサイトデータセット（10,393 件の ECG）を用いたテストで AUC 0.953 を達成し、ResNet-18 や最先端のランダムフォレストモデルを上回った。

ABSTRACT

Objective: In this paper we develop and evaluate ECG-SMART-NET for occlusion myocardial infarction (OMI) identification. OMI is a severe form of heart attack characterized by complete blockage of one or more coronary arteries requiring immediate referral for cardiac catheterization to restore blood flow to the heart. Two thirds of OMI cases are difficult to visually identify from a 12-lead electrocardiogram (ECG) and can be potentially fatal if not identified quickly. Previous works on this topic are scarce, and current state-of-the-art evidence suggests both feature-based random forests and convolutional neural networks (CNNs) are promising approaches to improve ECG detection of OMI. Methods: While the ResNet architecture has been adapted for use with ECG recordings, it is not ideally suited to capture informative temporal features within each lead and the spatial concordance or discordance across leads. We propose a clinically informed modification of the ResNet-18 architecture. The model first learns temporal features through temporal convolutional layers with 1xk kernels followed by a spatial convolutional layer, after the residual blocks, with 12x1 kernels to learn spatial features. Results: ECG-SMART-NET was benchmarked against the original ResNet-18 and other state-of-the-art models on a multisite real-word clinical dataset that consists of 10,393 ECGs from 7,397 unique patients (rate of OMI =7.2%). ECG-SMART-NET outperformed other models in the classification of OMI with a test AUC of 0.953 [0.921, 0.978]. Conclusion and Significance: ECG-SMART-NET can outperform the state-of-the-art random forest for OMI prediction and is better suited for this task than the original ResNet-18 architecture.

研究の動機と目的

• 12 lead ECG における虚血性心筋梗塞（OMI）の検出という臨床的課題に取り組む。これは、特徴が微細または非特異的であるため、3分の2の症例で見逃される。
• 標準アーキテクチャよりも優れた方法で、個々の ECG リード内の時間的ダイナミクスとリード間の空間的関係を捉える深層学習モデルを開発する。
• 実臨床 ECG データを用いた OMI 臨床診断において、従来の最先端モデル（ResNet-18 やランダムフォレスト分類器）を上回ることを目的とする。
• OMI の早期検出を向上させる臨床的知見に基づいたニューラルネットワークアーキテクチャを構築する。これは、緊急再灌流療法を要する生命を脅かす疾患である。

提案手法

• モデルは、各 ECG リードからの時間的特徴を抽出するために、残差ブロックの前に 1×k カーネルを用いた時間的畳み込み層を適用した変更版 ResNet-18 アーキテクチャである。
• 残差ブロックの後、12×1 カーネルを用いた空間的畳み込み層を適用し、12 リード全体におけるリード間の一致または不一致を学習する。
• モデルは ResNet-18 の残差学習フレームワークを維持しつつ、ECG 信号構造に特化した畳み込みを導入している。
• モデルは、7,397 人の個別患者から得られた 10,393 件の ECG からなるマルチサイト臨床データセット上で、エンドツーエンドに訓練された。OMI の有病率は 7.2% であった。
• 性能評価には受信者動作特性曲線下の面積（AUC）を用い、オリジナルの ResNet-18 や最先端のランダムフォレスト分類器といったベースラインモデルと比較した。

実験結果

リサーチクエスチョン

• RQ1 ECG における時間的および空間的特徴を明示的にモデル化する深層学習モデルは、標準アーキテクチャと比較して OMI 検出精度を向上させることができるか？
• RQ2 時間的および空間的特徴抽出に特化した 1×k および 12×1 畳み込みを用いた臨床的知見に基づく ResNet-18 の変更版は、オリジナルの ResNet-18 よりも OMI 分類において優れた性能を示すか？
• RQ3 ECG-SMART-NET は、実臨床 ECG データ上での OMI 検出において、ランダムフォレストや標準 CNN といった最先端モデルと比較してどうなるか？
• RQ4 時間的および空間的特徴抽出コンponent は、独立して、および共同して、診断性能の向上にどの程度寄与しているか？

主な発見

• ECG-SMART-NET は、10,393 件の ECG を含むマルチサイト臨床データセット上でテスト AUC 0.953（95% CI: 0.921–0.978）を達成し、OMI 検出において優れた性能を示した。
• ベースラインとして用いられたオリジナルの ResNet-18 アーキテクチャと比較して、AUC および診断正確性の両面で顕著に優れた性能を示した。
• 以前、OMI 検出の強力なベンチマークとされていた最先端のランダムフォレストモデルの性能をも上回った。
• 1×k 時間的畳み込みと 12×1 空間的畳み込みの統合により、OMI 臨床診断に不可欠なリード固有のダイナミクスとリード間パターンを効果的に捉えることができた。