[논문 리뷰] CROCS: Clustering and Retrieval of Cardiac Signals Based on Patient Disease Class, Sex, and Age

Dani Kiyasseh, Tingting Zhu외 1명|arXiv (Cornell University)|2020. 11. 28.

Machine Learning in Healthcare인용 수 4

한 줄 요약

CROCS는 환자 특성인 질환 유형, 성별, 연령과 같은 정보를 사용하여 심장 신호를 군집화하고 검색하는 지도 학습 기반의 대비 학습 프레임워크이다. 유사한 환자 프로파일의 표현을 끌어당기는 임상 프로토타입을 학습함으로써 CROCS는 실제 ECG 데이터베이스에서 군집화(Chapman에서 90.3% 정확도, AMI 72.8%)와 검색 성능에서 최신 기법들을 능가하며, 의미적으로 해석 가능한 속성 기반의 ECG 데이터 정렬을 가능하게 한다.

ABSTRACT

The process of manually searching for relevant instances in, and extracting information from, clinical databases underpin a multitude of clinical tasks. Such tasks include disease diagnosis, clinical trial recruitment, and continuing medical education. This manual search-and-extract process, however, has been hampered by the growth of large-scale clinical databases and the increased prevalence of unlabelled instances. To address this challenge, we propose a supervised contrastive learning framework, CROCS, where representations of cardiac signals associated with a set of patient-specific attributes (e.g., disease class, sex, age) are attracted to learnable embeddings entitled clinical prototypes. We exploit such prototypes for both the clustering and retrieval of unlabelled cardiac signals based on multiple patient attributes. We show that CROCS outperforms the state-of-the-art method, DTC, when clustering and also retrieves relevant cardiac signals from a large database. We also show that clinical prototypes adopt a semantically meaningful arrangement based on patient attributes and thus confer a high degree of interpretability.

연구 동기 및 목표

• 대규모이고 레이블이 없는 임상 데이터베이스에서 관련 심장 신호를 수동으로 검색하는 데 도전하는 데 목적을 두며.
• 다양한 환자 특성에 기반하여 ECG 신호의 군집화와 검색을 동시에 지원하는 통합 프레임워크를 개발하는 데 목적을 두며.
• 환자 특성에 따라 의미적으로 유의미한 방식으로 정렬된 학습된 임상 프로토타입을 통해 설명 가능성을 향상시키는 데 목적을 두며.
• 실제 ECG 데이터베이스에서 기존 방법들을 능가하는 군집화 및 검색 성능을 확보하는 데 목적을 두며.

제안 방법

• CROCS는 신경망을 사용하여 입력 ECG 데이터 기반의 고밀도 표현으로 심장 신호를 임bedding한다.
• 각 유일한 환자 특성 조합(예: 질환 유형, 성별, 연령)에 대해 학습 가능한 임상 프로토타입을 도입하여 유사한 신호 표현을 끌어당기는 역할을 한다.
• 동일한 특성을 공유하는 프로토타입 주위로 표현이 군집되도록 유도하기 위해 소프트 할당 대비 손실(NCE-soft)을 적용한다.
• 프로토타입 간의 의미적 관계를 유지하기 위해 정규화 항목을 적용하여 설명 가능성을 향상시킨다.
• 표현 학습을 위한 NCE-soft 손실과 프로토타입 의미 구조를 위한 정규화 손실을 조합하여 엔드 투 엔드로 모델을 훈련시킨다.
• 훈련 후 프로토타입을 통해 군집화(신호를 가장 가까운 프로토타입에 할당함으로써) 및 검색(특성 조합으로 쿼리함으로써)이 가능해진다.

실험 결과

연구 질문

• RQ1 다양한 환자 특성에 기반하여 레이블이 없는 심장 신호의 군집화와 검색을 동시에 효과적으로 수행할 수 있는 통합 딥 러닝 프레임워크가 존재하는가?
• RQ2 학습 가능한 임상 프로토타입의 사용이 기존 방법 대비 군집화 및 검색 성능 향상에 얼마나 기여하는가?
• RQ3 학습된 프로토타입이 질환 유형, 성별, 연령과 같은 환자 특성 간 의미적인 관계를 어느 정도 반영하는가?
• RQ4 이러한 다중 특성 설정에서 표현을 소프트 할당하는 것이 하드 할당보다 성능을 더 좋게 만드는가?
• RQ5 군집화 및 검색 작업에서 최신 기술 수준의 성능을 달성하면서도 높은 설명 가능성을 유지할 수 있는가?

주요 결과

• CROCS는 Chapman ECG 데이터베이스에서 질환 유형 기반 군집화에 대해 90.3% 정확도와 72.8% AMI를 기록하여 최신 기술인 DTC 방법을 능가했다.
• PTB-XL 데이터셋에서 CROCS는 질환 유형 군집화에 대해 76.0% 정확도와 76.1% AMI를 기록하여 다양한 데이터셋에 대한 강건성을 입증했다.
• 소프트 할당과 정규화를 적용한 프레임워크(NCE-soft + reg)는 변형들보다 일관되게 뛰어난 성능을 보였으며, Chapman에서 성별 및 연령 특성에 대해 57.4% 정확도와 38.0% AMI를 기록했다.
• 임상 프로토타입은 의미적으로 배열되어 있었으며, 유사한 특성 조합이 일관된 군집을 형성하여 설명 가능성을 향상시켰다.
• 절단 실험을 통해 소프트 할당과 정규화 항목이 성능 향상과 프로토타입의 설명 가능성을 크게 향상시킨다는 것이 확인되었다.
• CROCS는 다중 특성 기반 쿼리에 기반하여 관련 심장 신호를 성공적으로 검색했으며, 군집화 및 검색 작업에서 DTC보다 뛰어난 성능을 보였다.