[논문 리뷰] Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks

Pranav Rajpurkar, Awni Hannun외 3명|arXiv (Cornell University)|2017. 07. 06.

ECG Monitoring and Analysis참고 문헌 21인용 수 618

한 줄 요약

34-layer CNN은 30,000-명의 환자, 14-클래스의 단일 리드 ECG 데이터셋에서 심전 전문의 수준의 성능을 달성하고, 광범위한 부정맥 탐지에서 평균 심장 전문의보다 종종 우수한 성능을 보인다.

ABSTRACT

We develop an algorithm which exceeds the performance of board certified cardiologists in detecting a wide range of heart arrhythmias from electrocardiograms recorded with a single-lead wearable monitor. We build a dataset with more than 500 times the number of unique patients than previously studied corpora. On this dataset, we train a 34-layer convolutional neural network which maps a sequence of ECG samples to a sequence of rhythm classes. Committees of board-certified cardiologists annotate a gold standard test set on which we compare the performance of our model to that of 6 other individual cardiologists. We exceed the average cardiologist performance in both recall (sensitivity) and precision (positive predictive value).

연구 동기 및 목표

• Automatic한, 정확한 단일 리드 ECG의 부정맥 탐지를 통한 임상 워크플로우 보조를 동기화합니다.
• Prior 코포라보다 훨씬 큰 데이터셋을 만들어 딥 러닝을 가능하게 합니다.
• Raw ECG 시계열을 리듬 주석으로 매핑하는 완전한 End-to-End CNN 모델을 개발합니다.
• 골드 스탠다드 주석을 사용하는 보드 인증 심전의사와 모델의 성능을 비교합니다.

제안 방법

• 30초, 200 Hz ECG 구간을 per-second 리듬 레이블로 매핑하기 위한 34-layer 컨볼루션 신경망을 잔차 연결과 함께 사용합니다.
• 강건한 정규화와 드롭아웃으로 엔드-투-엔드 학습을 수행합니다; 학습률 스케줄링이 적용된 Adam 옵티마이저를 사용합니다.
• 임상 전문가에 의해 14개의 리듬 클래스로 64,121개의 기록, 29,163명의 환자 데이터셋을 주석화하고; ground truth를 얻기 위해 심장전문의 위원회와 테스트합니다.
• 30초 입력에서 1 Hz의 예측을 출력하여 리듬의 시퀀스-투-시퀀스 라벨링을 가능하게 합니다.

실험 결과

연구 질문

• RQ1 단일 리드 ECG에서 딥 CNN이 Broad set의 부정맥 탐지에서 평균 보드 인증 심장전문의보다 우수할 수 있습니까?
• RQ2 데이터셋 크기와 모델 깊이를 증가시키면 ECG의 시퀀스-투-시퀀스 리듬 라벨링 정확도가 향상됩니까?
• RQ3 모델 성능이 각 클래스별 F1과 전체 지표(정밀도, 재현율, F1)에서 임상의와 어떻게 비교됩니까? 14개의 리듬 클래스에 걸쳐?

주요 결과

리듬 클래스	Sequence-Level F1 (Model)	Sequence-Level F1 (Cardiologist)	Set-Level F1 (Model)	Set-Level F1 (Cardiologist)
AFIB	0.604	0.515	0.667	0.544
AFL	0.687	0.635	0.679	0.646
AVB_TYPE2	0.689	0.535	0.656	0.529
BIGEMINY	0.897	0.837	0.870	0.849
CHB	0.843	0.701	0.852	0.685
EAR	0.519	0.476	0.571	0.529
IVR	0.761	0.632	0.774	0.720
JUNCTIONAL	0.670	0.684	0.783	0.674
NOISE	0.823	0.768	0.704	0.689
SINUS	0.879	0.847	0.939	0.907
SVT	0.477	0.449	0.658	0.556
TRIGEMINY	0.908	0.843	0.870	0.816
VT	0.506	0.566	0.694	0.769
WENCKEBACH	0.709	0.593	0.806	0.736

• 모델은 시퀀스-레벨 F1과 세트-레벨 F1 지표 모두에서 평균 심장전문의를 능가합니다.
• 개별 클래스 F1 점수에서 모델이 AV block 유형과 CHB를 포함한 많은 리듬에서 심장전문의보다 높은 F1을 달성합니다.
• 총합 정밀도, 재현율, F1은 시퀀스 및 세트 평가 모두에서 모델이 심장전문의보다 우세합니다.
• 성능 향상에 핵심은 대형 데이터셋(≈64k 기록, ≈29k 환자)과 잔차 연결을 가진 33-layer CNN입니다.
• 모델은 임상적 유사성에 따라 Wenckebach vs Mobitz II와 같이 비슷한 리듬을 자주 혼동하며 합리적인 오차 패턴을 보입니다.