[論文レビュー] Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review

Shenda Hong, Yuxi Zhou+3 more|arXiv (Cornell University)|Dec 28, 2019

ECG Monitoring and Analysis参考文献 178被引用数 24

ひとこと要約

本システマティックレビューでは、2010年から2020年までの191件の深層学習研究を分析し、心電図（ECG）データにおけるモデルアーキテクチャ、タスク、データの特性を、疾患検出、不整脈分類、バイオメトリクス識別にわたり評価した。ハイブリッドCNN-RNNアンサンブルとエキスパート特徴量を組み合わせたアプローチが最先端のパフォーマンスを達成した一方で、今後の研究における解釈可能性、スケーラビリティ、データ効率性の課題を浮き彫りにした。

ABSTRACT

Background:The electrocardiogram (ECG) is one of the most commonly used diagnostic tools in medicine and healthcare. Deep learning methods have achieved promising results on predictive healthcare tasks using ECG signals. Objective:This paper presents a systematic review of deep learning methods for ECG data from both modeling and application perspectives. Methods:We extracted papers that applied deep learning (deep neural network) models to ECG data that were published between Jan. 1st of 2010 and Feb. 29th of 2020 from Google Scholar, PubMed, and the DBLP. We then analyzed each article according to three factors: tasks, models, and data. Finally, we discuss open challenges and unsolved problems in this area. Results: The total number of papers extracted was 191. Among these papers, 108 were published after 2019. Different deep learning architectures have been used in various ECG analytics tasks, such as disease detection/classification, annotation/localization, sleep staging, biometric human identification, and denoising. Conclusion: The number of works on deep learning for ECG data has grown explosively in recent years. Such works have achieved accuracy comparable to that of traditional feature-based approaches and ensembles of multiple approaches can achieve even better results. Specifically, we found that a hybrid architecture of a convolutional neural network and recurrent neural network ensemble using expert features yields the best results. However, there are some new challenges and problems related to interpretability, scalability, and efficiency that must be addressed. Furthermore, it is also worth investigating new applications from the perspectives of datasets and methods. Significance: This paper summarizes existing deep learning research using ECG data from multiple perspectives and highlights existing challenges and problems to identify potential future research directions.

研究の動機と目的

• 深層学習の応用を、モデリングと応用の両面から、ECGデータ解析の文脈で体系的に評価すること。
• 心電図タスク（不整脈検出や睡眠ステージングなど）における主要な深層学習アーキテクチャとそのパフォーマンスを特定すること。
• データ特性、モデル設計、タスク固有のパフォーマンスを分析し、最先端技術の状況を評価すること。
• ECGにおける深層学習の解釈可能性、スケーラビリティ、効率性に関する未解決の課題を浮き彫りにすること。
• 今後のECGベースのヘルスケアAI開発のための、新たな応用分野と研究ギャップを特定すること。

提案手法

• 2010年1月から2020年2月までに、Google Scholar、PubMed、DBLPを対象に、ECGおよび深層学習に関連するキーワードを用いてシステマティックな文献検索を実施した。
• 深層ニューラルネットワーク（DNNs）をECGデータに適用した191件の論文を抽出・分析し、タスク、モデル、データ特性に注目した。
• 研究を、疾患検出／分類、アノテーション／局在化、睡眠ステージング、バイオメトリクス識別、ノイズ除去の応用タスク別に分類した。
• CNN、RNN、LSTM、オートエンコーダ、およびハイブリッドモデル（例：CNN-LSTMアンサンブル）を含むモデルアーキテクチャを評価した。
• 正確性、F1スコア、AUCといった報告された指標を用いてパフォーマンスを評価し、特にエンドツーエンドDNNとエキスパート特徴量ベースのモデルを比較した。
• 研究結果を統合し、トレンド、最良パフォーマンスを示したアーキテクチャ、および解釈可能性、データ効率性、モデル一般化能力に関する未解決の課題を特定した。

実験結果

リサーチクエスチョン

• RQ1 不整脈検出や虚血性心筋症の局在化といった、さまざまなECG解析タスクにおいて、最も効果的な深層学習アーキテクチャは何か？
• RQ2 エンドツーエンドの深層学習モデルは、従来のエキスパート特徴量ベースの手法と比較して、ECG解析においてどの程度のパフォーマンスを示すか？
• RQ3 最近のECGにおける深層学習研究で、最も一般的に使用されているデータソース、前処理手法、評価指標は何か？
• RQ4 ECG解析における深層学習の臨床的導入を妨げる主な課題として、解釈可能性、スケーラビリティ、モデル効率性が挙げられるが、それらの課題は何か？
• RQ5 診断分類を超えた、バイオメトリクス識別や睡眠ステージングといった、ECGベースの深層学習における新たな応用分野は何か？

主な発見

• 合計191件の研究が同定され、そのうち108件が2019年以降に発表されており、ECG解析における深層学習の急速な成長が示された。
• 畳み込みニューラルネットワーク（CNN）と再帰ニューラルネットワーク（RNN）を組み合わせたハイブリッドアーキテクチャ、特にエキスパート特徴量を統合した場合、ECG分類タスクで最高のパフォーマンスを示した。
• エンドツーエンドの深層学習モデルは、不整脈検出や虚血性心筋症の局在化において、従来の特徴量ベースの手法と同等または優れた正確性を示した。
• オートエンコーダーや生成的対抗ネットワーク（GAN）の応用は、データ拡張やECG信号生成の面で有望であったが、臨床的妥当性は限定的であった。
• 高いパフォーマンスを示す一方で、モデルの解釈可能性、データ効率性、多様な集団への一般化能力に関する課題は、臨床応用への障壁として依然として深刻な問題である。
• バイオメトリクス識別や睡眠ステージングといった、診断分類を超えた応用分野が出現しつつあり、ECGベースのAIの応用範囲の拡大が示唆された。