[論文レビュー] MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network

Yinlong Xu, Xiaoqiang Liu+7 more|arXiv (Cornell University)|Jul 30, 2024

ECG Monitoring and AnalysisMedicine被引用数 3

ひとこと要約

MambaCapsuleは、Mambaを用いた長時間系列特徴抽出と、階層的特徴表現および再構成にCapsuleネットワークを統合することで、心電図に基づく心室性不整脈分類のための新規で解釈可能な深層学習フレームワークを提案する。MIT-BIHおよびPTBデータセットにおいて、それぞれ99.54%および99.59%の精度を達成するとともに、学習された特徴とその関係を明らかにする信号再構成を通じて、透明な意思決定を可能にする。

ABSTRACT

Cardiac arrhythmia, a condition characterized by irregular heartbeats, often serves as an early indication of various heart ailments. With the advent of deep learning, numerous innovative models have been introduced for diagnosing arrhythmias using Electrocardiogram (ECG) signals. However, recent studies solely focus on the performance of models, neglecting the interpretation of their results. This leads to a considerable lack of transparency, posing a significant risk in the actual diagnostic process. To solve this problem, this paper introduces MambaCapsule, a deep neural networks for ECG arrhythmias classification, which increases the explainability of the model while enhancing the accuracy.Our model utilizes Mamba for feature extraction and Capsule networks for prediction, providing not only a confidence score but also signal features. Akin to the processing mechanism of human brain, the model learns signal features and their relationship between them by reconstructing ECG signals in the predicted selection. The model evaluation was conducted on MIT-BIH and PTB dataset, following the AAMI standard. MambaCapsule has achieved a total accuracy of 99.54% and 99.59% on the test sets respectively. These results demonstrate the promising performance of under the standard test protocol.

研究の動機と目的

• 深層学習ベースの心電図不整脈診断における解釈不能性の欠如に取り組むこと。これは、臨床的信頼性と信頼性を制限する要因である。
• 高い精度で不整脈を分類するだけでなく、信号再構成を通じてその予測を説明するモデルを開発すること。
• 心にインspiredされた不変性と動的ルーティングを特徴とするCapsuleネットワークを活用し、心電図信号における特徴表現と関係モデリングの向上を図ること。
• Mambaアーキテクチャを統合し、心電図データにおける長時間的文脈の効率的で高精度なシーケンスモデリングを実現することで、長時間パターンにおける特徴抽出を強化すること。

提案手法

• モデルは、状態空間モデルを用いて計算効率と長時間系列モデリングを実現するMambaベースのエンコーダーを用い、生の心電図信号から長距離で階層的な表現を抽出する。
• エンコーディングされた特徴を処理するためのCapsuleネットワークデコーダーが、クラス確率と信号部品間の空間的関係を符号化したキャプセルベクトルを出力する。
• 入力心電図信号を予測されたキャプセル状態から再構成する再構成ヘッドを含み、モデルが注目する特徴を可視化することで解釈可能性を実現する。
• 再構成プロセスは、入力の摂動に対するP波およびR波形態の変化を分析することで、特徴学習の妥当性を検証し、モデル意思決定の説明に用いられる。
• エンコーダ-デコーダーをエンドツーエンドで学習する共同学習スキームを採用し、再構成損失が特徴学習をガイドする。
• Capsuleネットワーク内のルーティング機構は、関連する特徴に動的に注目を向けることで、予測のロバスト性と解釈可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 Mambaベースのエンコーダーは、CNN、Transformer、ResNetアーキテクチャと比較して、長時間系列心電図表現学習をどのように改善するか？
• RQ2 Capsuleネットワークの動的ルーティング機構は、心電図信号における特徴階層と関係モデリングをどの程度向上させるか？
• RQ3 キャプセル状態からの信号再構成は、モデルの内部知識と意思決定の根拠をどの程度効果的に明らかにできるか？
• RQ4 MambaとCapsuleネットワークの統合は、モデルの透明性を維持または向上させつつ、分類精度を高めるか？
• RQ5 入力の摂動（例：シフト）は再構成された心電図信号にどのような影響を及ぼし、これによりモデルのロバスト性と特徴理解度がどのように明らかになるか？

主な発見

• MambaCapsuleは、標準的なAAMI評価プロトコルに従い、MIT-BIH不整脈データセットで99.54%、PTBデータセットで99.59%のテスト精度を達成し、最先端の性能を示した。
• 入力摂動下でも、心電図信号の再構成が高く一貫性を示し、モデルが安定的で意味のある特徴とその相関関係を学習していることを示している。
• 正常（N）および房室性期外収縮（S）ラベルの再構成信号は、S分類の信号においてP波が存在しないことを明確に示しており、モデルの分類根拠を視覚的に説明している。
• F1スコアと再構成忠実度の両面で優れた結果が得られたことから、MambaエンコーダーはCNN、ResNet、Transformerベースのエンコーダーを上回る性能を示した。
• MLPデコーダーと比較して、キャプセルベースのデコーダーは、特徴間の関係を保持できるため、長時間のトレーニングを要するものの、より解釈可能でロバストな予測を実現した。
• モデルの再構成機能により、P波やR波の個々の波形形態だけでなく、それらの相対的配置までもが捉えられていることが明らかになり、解釈可能性の主張を裏付けた。