[論文レビュー] Semi-supervised and Unsupervised Methods for Heart Sounds Classification in Restricted Data Environments

Balagopal Unnikrishnan, Pranshu Ranjan Singh+2 more|arXiv (Cornell University)|Jun 3, 2020

Phonocardiography and Auscultation Techniques被引用数 14

ひとこと要約

本論文は、PhysioNet/CinC 2016データセットを用いて、リソースが限られた環境下での心音分類のための半教師ありおよび教師なし手法を提案する。生成対抗ネットワーク（GAN）を用いた半教師ありアプローチを導入し、限定的なラベルを用いた場合でも、教師ありベースラインを上回るAUROCを達成した。また、1次元畳み込みニューラルネットワーク（1D CNN）オートエンコーダーの特徴量とワンクラスSVMを組み合わせることで、ラベルなしで優れた異常検出性能（AUROC最高0.842）を実現した。この手法により、データ効率の良い診断とデータセットの保守が可能になった。

ABSTRACT

Automated heart sounds classification is a much-required diagnostic tool in the view of increasing incidences of heart related diseases worldwide. In this study, we conduct a comprehensive study of heart sounds classification by using various supervised, semi-supervised and unsupervised approaches on the PhysioNet/CinC 2016 Challenge dataset. Supervised approaches, including deep learning and machine learning methods, require large amounts of labelled data to train the models, which are challenging to obtain in most practical scenarios. In view of the need to reduce the labelling burden for clinical practices, where human labelling is both expensive and time-consuming, semi-supervised or even unsupervised approaches in restricted data setting are desirable. A GAN based semi-supervised method is therefore proposed, which allows the usage of unlabelled data samples to boost the learning of data distribution. It achieves a better performance in terms of AUROC over the supervised baseline when limited data samples exist. Furthermore, several unsupervised methods are explored as an alternative approach by considering the given problem as an anomaly detection scenario. In particular, the unsupervised feature extraction using 1D CNN Autoencoder coupled with one-class SVM obtains good performance without any data labelling. The potential of the proposed semi-supervised and unsupervised methods may lead to a workflow tool in the future for the creation of higher quality datasets.

研究の動機と目的

• 臨床現場における心音データのラベル付けが高コストで時間がかかるという課題に対処する。
• データ不足下で教師あり手法の代替手段として、半教師ありおよび教師なし学習の有効性を検討する。
• GANを用いた半教師あり学習とオートエンコーダーを用いた異常検出の両手法が、心音分類においてどの程度の性能を示すかを評価する。
• データ汚染やラベル不足の下でも、教師なし手法の頑健性を調査する。
• 低ラベルまたはラベルなしデータを用いたアプローチにより、より高品質なデータセットを構築するフレームワークを開発する。

提案手法

• 評価にあたり、正常および異常の合計3,240件のラベル付き心音録音を含むPhysioNet/CinC 2016チャレンジデータセットを用いる。
• 未ラベルデータを活用することでモデルの一般化性能とAUROC性能を向上させる、GANベースの半教師あり学習手法を適用する。
• 心音信号からの潜在表現を抽出するために、1次元畳み込みニューラルネットワーク（1D CNN）オートエンコーダーを用いて教師なし特徴学習を実施する。
• オートエンコーダーの埋め込み表現や再構成誤差を特徴量として用い、ワンクラスSVMおよび隔離フォレスト（Isolation Forest）を用いて異常検出を実施する。
• 汚染されたデータへの耐性を評価するため、純粋な正常データおよび正常・異常が混在したデータを用いてオートエンコーダーを訓練する。
• すべての手法において、主にAUROCを評価指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 限定的なラベルしか利用できない状況下で、GANベースの半教師あり学習は、教師ありベースラインに比べてAUROC性能を向上させることができるか？
• RQ2 ラベルなしで、1D CNNオートエンコーダーによる教師なし特徴学習とワンクラスSVMを組み合わせた手法が、異常心音をどの程度効果的に検出できるか？
• RQ3 訓練データとして使用するデータの種別（純粋な正常データ vs. 正常・異常が混在したデータ）が、教師なし異常検出の性能に顕著な影響を与えるか？
• RQ4 オートエンコーダーの埋め込み表現や再構成誤差を入力特徴量として用いた場合、ワンクラスSVMと隔離フォレストの異常検出性能にどのような差が生じるか？
• RQ5 教師なし手法は、分類が難しいとされる曖昧または境界に近いサンプルを特定でき、アクティブラーニングや仮ラベル付けのためのデータ選別に有効に使えるか？

主な発見

• GANベースの半教師あり手法は、全ラベル比率において教師ありベースラインを上回るAUROCを達成し、限られたラベルデータ下でも優れた性能を示した。
• 純粋な正常データでの学習に限定して1D CNNオートエンコーダー特徴量とワンクラスSVMを組み合わせた教師なし手法が、AUROC 0.842を達成し、隔離フォレストや他のベースラインを上回った。
• オートエンコーダーの埋め込み表現は、再構成誤差よりも異常検出性能が優れており、特にラベルが少ない状況や汚染されたデータ下でも顕著であった。
• データ汚染が存在しても、純粋な正常データでのみ学習したオートエンコーダーは、異常サンプルに対しても良好な一般化性能を示す潜在表現を生成した。
• 混合データ（正常・異常が混在）で学習した場合でも、オートエンコーダーとワンクラスSVMを組み合わせた教師なし手法は、AUROC 0.828を達成し、汚染にもかかわらず強い一般化性能を示した。
• 提案手法は、アクティブラーニングや仮ラベル付けのパイプラインにおいて強く有望であり、特に人間によるレビューに適した曖昧または境界に近いサンプルの選別に有効であることが示された。