[論文レビュー] Using Multitask Learning to Improve 12-Lead Electrocardiogram Classification

J. Weston Hughes, Taylor Sittler+4 more|arXiv (Cornell University)|Dec 2, 2018

ECG Monitoring and Analysis被引用数 4

ひとこと要約

本稿では、複数の心疾患を同時に学習することで、希少な不整脈の分類性能を著しく向上させるマルチタスク畳み込みニューラルネットワーク（CNN）を提案する。共有表現学習により、12 lead ECG分類の性能が向上し、特に2nd Degree AV Block（Mobitz I）のような希少なクラスでは、F1スコアが0.58から0.73に向上した。41,522サンプルのECGデータセット（24個のバイナリラベル）を用いたマルチヘッドモデルは、希少クラスの一般化性能を向上させるために関連する一般的なクラスからの監視が有効であることを示している。

ABSTRACT

We develop a multi-task convolutional neural network (CNN) to classify multiple diagnoses from 12-lead electrocardiograms (ECGs) using a dataset comprised of over 40,000 ECGs, with labels derived from cardiologist clinical interpretations. Since many clinically important classes can occur in low frequencies, approaches are needed to improve performance on rare classes. We compare the performance of several single-class classifiers on rare classes to a multi-headed classifier across all available classes. We demonstrate that the addition of common classes can significantly improve CNN performance on rarer classes when compared to a model trained on the rarer class in isolation. Using this method, we develop a model with high performance as measured by F1 score on multiple clinically relevant classes compared against the gold-standard cardiologist interpretation.

研究の動機と目的

• 12-lead ECGにおける希少な心疾患不整脈の分類性能が、訓練データ不足のため低いため、その課題を解決すること。
• 関連する頻度の高いクラスを活用することで、マルチタスク学習が希少ECG診断の分類精度を向上させられるかどうかを調査すること。
• 複数の臨床的関連診断に一般化可能な、高性能なマルチヘッドディープラーニングモデルを12-lead ECG用に開発すること。
• 希少クラスの分類性能を著しく向上させるために、1つの関連する一般的なクラスを追加するだけで十分であるかどうかを評価すること。特に、希少状態のための大規模データ収集の必要性を低減できるかを検討すること。

提案手法

• 12-lead ECGを250Hzで10秒間サンプリングし、12×2500の入力テンソルを得る。34層の畳み込みニューラルネットワーク（CNN）をこのデータ上で学習する。
• 各診断クラスごとに出力ヘッドを備えたマルチヘッドアーキテクチャを採用し、24個のバイナリ分類タスクを同時に統合的に学習可能にする。
• 各ヘッドは、バイナリクロスエントロピー損失を用いて、特定の心疾患の有無を予測する。勾配は共有畳み込み層を介して逆伝播される。
• クラス頻度の不均衡を軽減するため、データセットを再サンプリングし、少数クラスを4,000例にアップサンプリングした。
• 性能評価には、全クラスにおけるF1スコアを用い、単一ヘッドモデルとマルチヘッドモデルの比較を、異なるクラスサブセット上で行う。
• AVブロッキングや頻拍症などのクラス間の階層的・相関関係を活用し、共有特徴層における表現学習を向上させる。

実験結果

リサーチクエスチョン

• RQ1 共通クラスと共有表現を共有することで、希少な12-lead ECG診断の深層学習モデルのF1スコアを向上させられるか？
• RQ2 2nd Degree AV Block（Mobitz I）のような希少診断に対して、1つの関連する一般的なクラス（例：1st Degree AV Block）を追加するだけで、他のすべての無関係なクラスを追加するのと同等の性能向上が得られるか？
• RQ3 1,000例未満の学習例しか持たない希少クラスに対して、単一ヘッドモデルと比較してマルチヘッドモデルの性能はどの程度向上するか？特に、希少クラスの分類性能に影響を与えるか。
• RQ4 12-lead ECGに多様で低周波数の診断ラベルが存在する場合、マルチタスク学習が畳み込みニューラルネットワークの深層部における特徴学習をどの程度向上させるか？

主な発見

• マルチヘッドモデルは全クラスで単一ヘッドモデルを上回り、特に希少クラスで顕著なF1スコアの向上を示した。例として、完全房室ブロッキング（F1: 0.62 vs. 0.09）や房室node再入性頻拍（F1: 0.49 vs. 0.39）が挙げられる。
• 2nd Degree AV Block（Mobitz I）（626例）という希少クラスでは、マルチヘッドモデルがF1スコア0.73を達成したのに対し、単一ヘッドモデルでは0.58にとどまった。
• 1st Degree AV Blockという関連する一般的なクラスを1つだけ追加するだけで、2nd Degree AV Block（Mobitz I）の分類性能向上が、他のすべてのクラスを追加するのと同等の効果を示した。これは、関連する監視が極めて有効であることを示している。
• 一般的なクラス、例えば徐脈（F1: 0.91）や心房細動（F1: 0.85）は、単一・マルチヘッド両モデルで高い性能を示したが、マルチヘッドモデルでもわずかな向上が見られた。
• モデルは、複数のタスク間で共有される表現学習が、特に深層部での特徴抽出を向上させ、低リソースクラスにおける一般化性能を向上させることを示した。
• 結果から、マルチタスク学習は希少ECG診断のデータ効率の障壁を低減できることを示唆しており、1クラスあたり1,000例未満のデータでも高性能なモデルが構築可能である可能性がある。