[論文レビュー] Understanding the Importance of Heart Sound Segmentation for Heart Anomaly Detection

Theekshana Dissanayake, Tharindu Fernando+4 more|arXiv (Cornell University)|May 21, 2020

Phonocardiography and Auscultation Techniques参考文献 18被引用数 15

ひとこと要約

本研究では、心音分類の正確な分類のためには心音のセグメンテーションが不可欠であることを示しており、分離された心電図データと解釈可能性技術を活用することで、PhysioNetデータセットでほぼ100％の正確性を達成する、頑健で解釈可能な深層学習分類器を提案している。この手法により、モデルの意思決定プロセスが明らかにされる。

ABSTRACT

Traditionally, abnormal heart sound classification is framed as a three-stage process. The first stage involves segmenting the phonocardiogram to detect fundamental heart sounds; after which features are extracted and classification is performed. Some researchers in the field argue the segmentation step is an unwanted computational burden, whereas others embrace it as a prior step to feature extraction. When comparing accuracies achieved by studies that have segmented heart sounds before analysis with those who have overlooked that step, the question of whether to segment heart sounds before feature extraction is still open. In this study, we explicitly examine the importance of heart sound segmentation as a prior step for heart sound classification, and then seek to apply the obtained insights to propose a robust classifier for abnormal heart sound detection. Furthermore, recognizing the pressing need for explainable Artificial Intelligence (AI) models in the medical domain, we also unveil hidden representations learned by the classifier using model interpretation techniques. Experimental results demonstrate that the segmentation plays an essential role in abnormal heart sound classification. Our new classifier is also shown to be robust, stable and most importantly, explainable, with an accuracy of almost 100% on the widely used PhysioNet dataset.

研究の動機と目的

• 心音のセグメンテーションが、異常心音分類の性能を顕著に向上させるかどうかを調査すること。
• セグメンテーションを事前処理として組み込んだ、頑健で安定した深層学習分類器を、心疾患検出に向け開発すること。
• モデル解釈技術を用いて隠れた表現を明らかにすることで、医療分野におけるAIの解釈可能性を確保すること。
• セグメンテーションが計算コストを増加させるのか、それとも分類精度を向上させるのかという、長年の論争を解決すること。

提案手法

• 特徴抽出の前段階として、心音の基本的成分（S1およびS2）を分離するための心電図信号のセグメンテーション。
• 分離済みの心音データを用いてトレーニングされた深層学習モデルを、正常と異常の心音に分類するために適用する。
• 注意マップやサリエンシー解析などのモデル解釈技術を用いて、学習された表現を可視化・解釈する。
• ベンチマークの一貫性と再現可能性を確保するため、広く用いられているPhysioNetデータセットを用いて分類器を評価する。
• 分類精度に与える影響を定量化するために、セグメンテーションありとなしの性能を比較する。
• 臨床的意義を持つように、セグメンテーション、特徴学習、解釈可能なAIを統合したパイプラインを実装する。

実験結果

リサーチクエスチョン

• RQ1 心音のセグメンテーションを前処理として含めることで、異常心音分類の正確性が顕著に向上するか？
• RQ2 本研究で提案する分類器は、セグメンテーションを飛ばした既存の手法と比較して、どのように性能を発揮するか？
• RQ3 モデルの内部表現は、モデル解釈技術を用いてどの程度解釈可能で説明可能か？
• RQ4 本研究で提案する分類器は、さまざまな心音パターンやノイズ環境下でも頑健で安定しているか？

主な発見

• 心音のセグメンテーションは分類性能を顕著に向上させ、異常心音検出における高精度を達成する上で不可欠であることが実証された。
• 提案された分類器は、PhysioNetデータセットでほぼ100％の正確性を達成しており、優れた性能を示している。
• 多様な心音パターンに対して、モデルは頑健で安定しており、信頼できる一般化能力を示している。
• モデル解釈技術により、意味のある隠れた表現が明確に特定され、信頼性と臨床的有用性が向上した。
• 本研究では、セグメンテーションが計算的負担ではなく、高精度を実現するための重要な要因であることを示し、長年の論争を解決した。
• 解釈可能なAI技術の統合により、モデル意思決定の透明性が確保され、臨床現場での採用を支援した。