[論文レビュー] Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review

Md Manjurul Ahsan, Zahed Siddique|arXiv (Cornell University)|Dec 13, 2021

ECG Monitoring and Analysis被引用数 19

ひとこと要約

本稿は、不均衡な心電図および患者データに起因する課題に注目した機械学習を用いた虚血性心疾患診断手法の体系的文献レビューである。SMOTE、フォーカル損失、コスト感受性学習などのデータレベルおよびアルゴリズムレベルの技術を用いて49件の研究を評価した結果、高度な手法では最大99.88％の正解率を達成したが、依然として解釈可能性および公平性の面で課題を抱えていることが判明した。

ABSTRACT

Heart disease is one of the significant challenges in today's world and one of the leading causes of many deaths worldwide. Recent advancement of machine learning (ML) application demonstrates that using electrocardiogram (ECG) and patient data, detecting heart disease during the early stage is feasible. However, both ECG and patient data are often imbalanced, which ultimately raises a challenge for the traditional ML to perform unbiasedly. Over the years, several data level and algorithm level solutions have been exposed by many researchers and practitioners. To provide a broader view of the existing literature, this study takes a systematic literature review (SLR) approach to uncover the challenges associated with imbalanced data in heart diseases predictions. Before that, we conducted a meta-analysis using 451 referenced literature acquired from the reputed journals between 2012 and November 15, 2021. For in-depth analysis, 49 referenced literature has been considered and studied, taking into account the following factors: heart disease type, algorithms, applications, and solutions. Our SLR study revealed that the current approaches encounter various open problems/issues when dealing with imbalanced data, eventually hindering their practical applicability and functionality.

研究の動機と目的

• 不均衡な心電図および患者データを用いた機械学習を用いた虚血性心疾患診断の現在のアプローチを特定・分析すること。
• 虚血性心疾患予測における多数クラスへのバイアスを軽減するためのデータレベルおよびアルゴリズムレベルの技術の有効性を評価すること。
• 体系的文献レビュー（SLR）手法を用いて、臨床応用における機械学習モデルのパフォーマンス、解釈可能性、公平性を評価すること。
• 特にデータの不均衡に起因する、未解決の課題、ギャップ、および今後の研究の方向性を強調すること。

提案手法

• 2012年から2021年11月までの間、信頼できる学術雑誌から451件の参照文献を用いて体系的文献レビュー（SLR）を実施した。
• 関連性、研究手法、データ品質に基づき、49件の高品質な研究を深掘り分析の対象に選定した。
• 虚血性心疾患の種類、機械学習アルゴリズム、応用文脈、不均衡緩和技術の観点から研究を分類した。
• 不均衡緩和手法をデータレベル（例：SMOTE、ADASYN、GANベースの増幅）およびアルゴリズムレベル（例：フォーカル損失、コスト感受性学習）に分類した。
• 正解率（A_c）、適合率（P_c）、再現率（R_c）、F1スコア（F_c）、特異度（S_p）、感受性（S_e）、AUCを含む標準的な指標を用いてパフォーマンスを評価した。
• メタアナリシスおよびコンテンツアナリシスを実施し、既存の文献におけるトレンド、制限要因、研究ギャップを同定した。

Figure 1: Flow diagram of the PRISMA approach utilized in this research

実験結果

リサーチクエスチョン

• RQ1 不均衡な心電図および患者データを用いた虚血性心疾患診断において、最も頻繁に使用されている機械学習アルゴリズムは何か？
• RQ2 データレベルおよびアルゴリズムレベルの技術は、不均衡な虚血性心疾患データセットにおけるモデルパフォーマンスの向上にどの程度効果的か？
• RQ3 研究全体で報告された主なパフォーランス指標は何か？ また、データセットや研究手法によってその値はどのように変動するか？
• RQ4 虚血性心疾患診断における機械学習モデルの解釈可能性、公平性、一般化可能性に、継続的に残る課題は何か？
• RQ5 特にデータの不均衡に起因する、虚血性心疾患診断における機械学習の主要な研究ギャップと今後の機会は何か？

主な発見

• データレベルの技術として、SMOTE、ADASYN、GANベースのデータ増幅が最も頻繁に使用されており、そのうちSMOTEは49件の研究のうち12件で使用された。
• フォーカル損失やコスト感受性学習などのアルゴリズムレベルのアプローチは、深層学習モデルにおいて特に増加傾向にあり、クラス不均衡の問題に対処している。
• MIT-BIHアリズムデータセットを用いたハイブリッドCNN-LSTMモデルにSMOTE-Tomek Linkを適用した結果、99.88％の最高正解率が報告された。
• F1スコアは0.79から0.9659の範囲にあり、最高のパフォーマンス（F_c = 0.9659）は、MIT-BIHデータセット上で空間的・時間的特徴抽出を用いたDNNモデルで達成された。
• 感受性と特異度の値は一般的に高く（それぞれ99.34％および99.82％）、陽性例の検出能が優れていることが示された。
• 高い正解率を達成しているものの、多くのモデルは解釈可能性に欠けており、正解率以外の指標を用いた公平性やバイアス低減の取り組みは少数にとどまっている。

Figure 2: Publications of ML-based heart disease diagnosis (MLBHDD) by year