[논문 리뷰] Aortic Valve Disease Detection from PPG via Physiology-Informed Self-Supervised Learning

Jiaze Wang, Qinghao Zhao외 5명|arXiv (Cornell University)|2026. 02. 04.

Cardiac Valve Diseases and Treatments인용 수 0

한 줄 요약

본 논문은 레이블이 없는 PPG 데이터를 활용하여 Aortic Stenosis(AS)와 Aortic Regurgitation(AR)를 선별하는 Physiology-Guided Self-Supervised Learning(PG-SSL)을 제안하고, 감독 학습 대비 향상된 AUC와 강력한 예후 가치를 보이는 성능을 달성한다.

ABSTRACT

Traditional diagnosis of aortic valve disease relies on echocardiography, but its cost and required expertise limit its use in large-scale early screening. Photoplethysmography (PPG) has emerged as a promising screening modality due to its widespread availability in wearable devices and its ability to reflect underlying hemodynamic dynamics. However, the extreme scarcity of gold-standard labeled PPG data severely constrains the effectiveness of data-driven approaches. To address this challenge, we propose and validate a new paradigm, Physiology-Guided Self-Supervised Learning (PG-SSL), aimed at unlocking the value of large-scale unlabeled PPG data for efficient screening of Aortic Stenosis (AS) and Aortic Regurgitation (AR). Using over 170,000 unlabeled PPG samples from the UK Biobank, we formalize clinical knowledge into a set of PPG morphological phenotypes and construct a pulse pattern recognition proxy task for self-supervised pre-training. A dual-branch, gated-fusion architecture is then employed for efficient fine-tuning on a small labeled subset. The proposed PG-SSL framework achieves AUCs of 0.765 and 0.776 for AS and AR screening, respectively, significantly outperforming supervised baselines trained on limited labeled data. Multivariable analysis further validates the model output as an independent digital biomarker with sustained prognostic value after adjustment for standard clinical risk factors. This study demonstrates that PG-SSL provides an effective, domain knowledge-driven solution to label scarcity in medical artificial intelligence and shows strong potential for enabling low-cost, large-scale early screening of aortic valve disease.

연구 동기 및 목표

• 초음파 제한을 넘어 확장 가능하고 저비용의 AVD 선별을 촉진한다.
• 직접 레이블 없이 대규모의 레이블 없는 PPG 데이터를 활용해 질병 관련 형태를 학습한다.
• AS/AR의 생리학적 지식을 프리트레이닝용 프록시 자기지도 학습 태스크로 변환한다.
• 효율적인 듀얼-브랜치 아키텍처로 작은 AS/AR 라벨링 부분에 미세조정한다.
• 표준 임상 위험 요인으로부터의 독립성과 예후 가치를 입증한다.

제안 방법

• 임상 AVD 생리학을 계산 가능한 PPG 형태학적 표현형으로 형상화해 프록시 전제 태스크를 생성한다.
• UK Biobank의 170,702개 라벨이 없는 PPG 샘플로 프리트레이닝하여 도메인 특화 특징을 학습한다.
• 듀얼-브랜치 게이티드-퓨전 아키텍처를 사용해 작은 AS/AR 라벨 서브세트에 미세조정한다.
• PG-SSL을 감독기반 기준선 및 일반 SSL 방법들(SimCLR, reconstruction, K-means)과 비교한다.
• Grad-CAM으로 모델 초점을 시각화해 특징의 생리학적 관련성을 검증한다.
• 다변수 Cox 회귀 및 성향 점수 매칭을 통한 예후 독립성을 평가한다.

Figure 1 : Performance evaluation of the model on the independent test set. (A, B) ROC curves for AS and AR detection. The model achieves an AUC of 0.765 for AS and 0.776 for AR. (C) Calibration curves. The axes focus on the [0, 0.45] interval, showing high consistency between predicted probabilitie

실험 결과

연구 질문

• RQ1 라벨이 제한된 데이터로 AS/AR 선별에서 생리학 정보를 반영한 자기지도 사전학습이 성능을 향상시키는가?
• RQ2 학습된 특징이 표준 임상 위험 요인 외에 독립적인 예후 가치를 제공하는가?
• RQ3 AS/AR 작업에서 PG-SSL이 일반적인 SSL 방법 및 전통적인 감독 모델과 어떻게 비교되는가?
• RQ4 모델의 어텐션이 AS 및 AR의 알려진 혈역학적 메커니즘과 정렬되는가?
• RQ5 조기 진단 시점의 윈도우를 활용해 향상된 선별 성능을 얻을 수 있는가?

주요 결과

• PG-SSL은 독립 테스트 세트에서 AS에 대해 AUROC 0.765, AR에 대해 0.776을 달성했다.
• 60% 특이도에서 S@60Sp은 AS가 77.6%, AR이 78.6%이다.
• PG-SSL은 감독 기반 기준선 및 여러 SSL 기준선(SimCLR, reconstruction 등)을 능가했다.
• Cox 모델에서 임상 위험 요인을 조정한 후에도 모델 예측은 예후적으로 의미가 있었다.
• Grad-CAM 시각화는 AS 및 AR 특징에 해당하는 생리학적으로 그럴듯한 주의 패턴을 보였다.
• 수작업으로 설계된 특징이 딥 특징과 융합될 때 성능이 감소하여 PiLA 특징의 높은 완전성을 시사한다.

Figure 2 : Grad-CAM visualization of model attention across different groups. (Left) Healthy controls show diffuse attention, verifying holistic waveform integrity. (Center) AS patients show focused attention on the delayed systolic upstroke and dicrotic notch. (Right) AR patients exhibit broad cove