[논문 리뷰] Deep CardioSound-An Ensembled Deep Learning Model for Heart Sound MultiLabelling

Guo Li, Steven Davenport외 1명|arXiv (Cornell University)|2022. 04. 15.

Phonocardiography and Auscultation Techniques인용 수 33

한 줄 요약

심음 녹음에 대한 다중 라벨 주석을 위한 앙상블 딥러닝 모델을 제안하여, 수음 타이밍, 음정, 등급, 품질, 형태와 같은 라벨에 걸쳐 다중 라벨 주석을 수행하고, 세그먼트 수준 및 녹음 수준에서 강력한 성능을 달성한다.

ABSTRACT

Heart sound diagnosis and classification play an essential role in detecting cardiovascular disorders, especially when the remote diagnosis becomes standard clinical practice. Most of the current work is designed for single category based heard sound classification tasks. To further extend the landscape of the automatic heart sound diagnosis landscape, this work proposes a deep multilabel learning model that can automatically annotate heart sound recordings with labels from different label groups, including murmur's timing, pitch, grading, quality, and shape. Our experiment results show that the proposed method has achieved outstanding performance on the holdout data for the multi-labelling task with sensitivity=0.990, specificity=0.999, F1=0.990 at the segments level, and an overall accuracy=0.969 at the patient's recording level.

연구 동기 및 목표

• 단일 라벨 분류를 넘어 자동 심음 진단을 발전시킨다.
• 타이밍, 음정, 등급, 품질, 형태 등 다양한 라벨 그룹을 포괄하는 다중 라벨 프레임워크를 개발한다.
• 홀드아웃 데이터에서 임상적으로 관련 지표로 성능을 입증한다.

제안 방법

• 다중 라벨 심음 라벨링을 수행하기 위한 앙상블 딥러닝 아키텍처를 사용한다.
• 수음 타이밍, 음정, 등급, 품질, 형태를 포함한 여러 그룹의 라벨을 주석 달기 위해 설계된 모델이다.
• 세그먼트 및 환자 녹음에 대한 일반화를 입증하기 위해 홀드아웃 데이터에서 학습 및 평가한다.

실험 결과

연구 질문

• RQ1 단일 모델이 여러 심음 라벨 범주를 효과적으로 공동 예측할 수 있는가?
• RQ2 제안된 앙상블이 다중 라벨 심음 작업에서 세그먼트 수준과 녹음 수준의 성능은 무엇인가?
• RQ3 타이밍, 음정, 등급, 품질, 형태 등 라벨 그룹별로 모델의 성능은 어떤가?

주요 결과

• 세그먼트 수준 민감도: 0.990.
• 세그먼트 수준 특이도: 0.999.
• 세그먼트 수준 F1: 0.990.
• 환자 녹음 수준 전체 정확도: 0.969.