[論文レビュー] Multiple Instance Learning for ECG Risk Stratification

Divya Shanmugam, Davis Blalock+1 more|arXiv (Cornell University)|Oct 28, 2019

ECG Monitoring and Analysis被引用数 1

ひとこと要約

この論文は、急性虚血性心疾患発症後30〜365日以内の心血管死を予測するための複数インスタンス学習（MIL）フレームワークを提案する。各患者の心電図を心拍のバッグとしてモデル化し、生のデータから直接リスクスコアを学習することで、5,000名の患者から成るデータセットにおいて、既存の臨床指標を上回る性能を発揮し、クラス不均衡の問題に対処するとともに、エンドツーエンドの表現学習を活用する。

ABSTRACT

Patients who suffer an acute coronary syndrome are at elevated risk for adverse cardiovascular events such as myocardial infarction and cardiovascular death. Accurate assessment of this risk is crucial to their course of care. We focus on estimating a patient's risk of cardiovascular death after an acute coronary syndrome based on a patient's raw electrocardiogram (ECG) signal. Learning from this signal is challenging for two reasons: 1) positive examples signifying a downstream cardiovascular event are scarce, causing drastic class imbalance, and 2) each patient's ECG signal consists of thousands of heartbeats, accompanied by a single label for the downstream outcome. Machine learning has been previously applied to this task, but most approaches rely on hand-crafted features and domain knowledge. We propose a method that learns a representation from the raw ECG signal by using a multiple instance learning framework. We present a learned risk score for cardiovascular death that outperforms existing risk metrics in predicting cardiovascular death within 30, 60, 90, and 365 days on a dataset of 5000 patients.

研究の動機と目的

• 急性虚血性心疾患発症後の心血管死のリスク評価を、生の心電図信号を用いて向上させること。
• 心血管死イベントがまれであるため、極端なクラス不均衡の問題に取り組むこと。
• ドメイン特化の特徴量設計に依存せずに、生の心電図データから意味のある表現を直接学習すること。
• 各患者をバッグとして、各心拍を弱いラベルが付与されたインスタンスとして扱う、心電図データのバッグ・オブ・ハートビーツ構造を活用するモデルを開発すること。
• 短期的および長期的な心血管死予測において、既存の臨床リスクスコアを上回ること。

提案手法

• 心電図リスク予測を、各患者が「バッグ」として定式化される複数インスタンス学習（MIL）問題として扱い、結果のラベル（死亡または非死亡）は全バッグに適用される。
• 深層ニューラルネットワークを用いて、生の心電図心拍から表現を学習し、各バッグ内のインスタンスレベルの予測を集約して最終予測を算出する。
• MIL損失関数を用い、少なくとも1つの陽性インスタンス（高リスク心拍）が存在する場合にバッグの正しく分類されることを促進する。
• 手動による特徴量設計を回避するため、生の心電図信号上でエンドツーエンドに訓練する。
• 各患者ごとに学習されたリスクスコアを生成し、30日、60日、90日、365日という各時間軸での予測性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 複数インスタンス学習フレームワークは、急性虚血性心疾患発症後の心血管死予測に、生の心電図信号から有効に学習できるか？
• RQ2 生の心電図心拍からのエンドツーエンド表現学習は、従来の手作業による特徴量ベースの手法を上回る性能を発揮するか？
• RQ3 本手法は、短期的および長期的な心血管死予測において、既存の臨床リスクスコアと比較してどの程度の性能を示すか？
• RQ4 MILは、まれな有害事象予測におけるクラス不均衡の影響をどの程度軽減できるか？

主な発見

• 提案されたMILベースの手法は、30日、60日、90日、365日という各期間における心血管死予測において、既存の臨床リスク指標を上回る優れた性能を発揮した。
• モデルは、ドメイン特化の特徴量設計を必要とせず、生の心電図信号から意味のあるリスクスコアを直接学習した。
• 本手法は、急性虚血性心疾患後の結果に見られる極端なクラス不均衡に対しても効果的に対処できた。
• 学習された表現は、その後の心血管死に関連する心電図心拍の判別可能なパターンを捉えていた。