[논문 리뷰] DeepHeart: Semi-Supervised Sequence Learning for Cardiovascular Risk Prediction

Brandon Ballinger, Johnson Hsieh외 9명|arXiv (Cornell University)|2018. 02. 07.

Non-Invasive Vital Sign Monitoring인용 수 28

한 줄 요약

DeepHeart는 14,011명의 참가자로부터 확보한 57,675인-주 분량의 라벨이 없는 웨어러블 심박수 데이터를 활용하여 심혈관 위험 요인인 당뇨병, 고혈압, 고콜레스테롤혈증, 수면 무호흡증을 높은 정확도로 예측하는 준감독형 다중 작업 LSTM 모델을 제안한다. 이는 두 가지 새로운 학습 전략인 준감독형 시퀀스 학습과 히우리스틱 사전학습을 통해 의료 문헌에서 보고된 전통적인 생체지표를 뛰어넘는 성능을 달성한다.

ABSTRACT

We train and validate a semi-supervised, multi-task LSTM on 57,675 person-weeks of data from off-the-shelf wearable heart rate sensors, showing high accuracy at detecting multiple medical conditions, including diabetes (0.8451), high cholesterol (0.7441), high blood pressure (0.8086), and sleep apnea (0.8298). We compare two semi-supervised train- ing methods, semi-supervised sequence learning and heuristic pretraining, and show they outperform hand-engineered biomarkers from the medical literature. We believe our work suggests a new approach to patient risk stratification based on cardiovascular risk scores derived from popular wearables such as Fitbit, Apple Watch, or Android Wear.

연구 동기 및 목표

• 소비자용 웨어러블 센서를 활용해 진단되지 않은 심혈관 위험 요인을 조기에 탐지할 수 있는 확장 가능하고 저비용의 방법을 개발하기 위해.
• 웨어러블 헬스 애플리케이션에서 라벨이 부여된 의료 데이터의 부족 문제를 해결하기 위해 방대한 라벨이 없는 센서 데이터를 활용하기 위해.
• 희귀하거나 진단이 늦는 질환에 대해 성능을 향상시키기 위한 두 가지 준감독형 학습 전략—준감독형 시퀀스 학습과 히우리스틱 사전학습—을 비교하고 평가하기 위해.
• 실제 웨어러블 데이터를 기반으로 훈련된 딥러닝 모델이 기존 임상 생체지표 수준 또는 그 이상의 진단 정확도를 달성할 수 있음을 입증하기 위해.
• 환자를 적시에 임상 치료로 이끌 수 있는 모바일 기반, 외부에서 시작하는 모니터링 체계의 기반을 마련하기 위해.

제안 방법

• 웨어러블 기기에서 수집한 원시 다중 채널 시계열 데이터(심박수 및 보행 수)를 시간-차이 특성으로 인코딩한 텐서로 표현한 다중 작업 딥 LSTM 아키텍처를 훈련한다.
• 두 가지 준감독형 학습 방법을 적용한다: (1) 준감독형 시퀀스 학습에서는 LSTM이 먼저 시퀀스 오토인코더로 사전학습된 후 라벨이 부여된 데이터로 미세조정된다; (2) 히우리스틱 사전학습에서는 문헌에서 알려진 의료 생체지표(예: 심박수 변동성)를 학습하도록 네트워크를 초기화한다.
• 변동하는 측정 간격을 처리하기 위해 시간-차이 인코딩을 적용한다: $ dt_{transformed} = 0.1 \log\left(\frac{dt}{5000}\right) $, 이는 광범위하게 변하는 측정 간격을 정규화하여 학습을 안정화시킨다.
• 모델은 당뇨병, 고콜레스테롤혈증, 고혈압, 수면 무호흡증 4가지 질환에 대해 각각 별도의 훈련/검증/테스트 분할을 사용하여 평가된다.
• 성능는 AUC(ROC 곡선 아래 면적)로 측정되며, 의료 문헌에서 보고된 수작업으로 설계된 생체지표와 비교된다.
• 모델은 최대 약 100만 개의 시간 스텝까지 참가자별로 장기간 생리적 모니터링을 지원하며, 장거리 의존성에 대응하기 위해 Clockwork RNN과 같은 아키텍처로의 확장 가능성이 있다.

실험 결과

연구 질문

• RQ1 라벨이 없는 웨어러블 센서 데이터를 대상으로 한 준감독형 딥러닝이, 심혈관 위험 요인에 대해 전통적인 수작업 생체지표보다 더 높은 진단 정확도를 달성할 수 있는가?
• RQ2 기존에 알려진 생리적 생체지표(히우리스틱 사전학습)를 기반으로 사전학습하는 것이, 자기감독형 오토인코더 학습보다 후행 진단 성능을 향상시키는가?
• RQ3 단일 딥러닝 모델이 소비자용 웨어러블 기기에서의 휴식 시 심박수와 보행 수만을 사용하여 다수의 다양한 심혈관 위험 상태를 효과적으로 예측할 수 있는가?
• RQ4 당뇨병 및 수면 무호흡증처럼 유병률이 낮고 진단 지연이 오래 지속되는 질환에 대해 모델의 성능은 어떠한가?
• RQ5 이러한 모델을 활용한 모바일 기반, 외부에서 시작하는 선별 체계는 높은 정밀도와 안전성을 유지하면서도 진단되지 않은 질병 부담을 줄일 수 있는가?

주요 결과

• 준감독형 시퀀스 학습 방법은 당뇨병에 대해 AUC 0.8451을 기록하여 의료 문헌에서 보고된 수작업 생체지표를 뛰어넘었다.
• 고콜레스테롤혈증에 대해서는 AUC 0.7441을 달성하여 라벨이 제한된 데이터에도 불구하고 강력한 예측 능력을 보였다.
• 고혈압에 대해서는 AUC 0.8086, 수면 무호흡증에 대해서는 AUC 0.8298을 기록하여 이러한 질환과 관련된 생리적 변화에 매우 민감한 것으로 나타났다.
• 준감독형 학습 전략인 시퀀스 학습과 히우리스틱 사전학습 모두가, 네 가지 목표 질환의 진단에 있어 전통적인 생체지표 기반 기준보다 유의미하게 뛰어난 성능을 보였다.
• 실제 웨어러블 데이터를 통해 운동, 수면, 스트레스, 질병 상태 등 다양한 생리적 상태에서도 모델의 성능가 안정적이었음을 입증하였다.
• 본 연구는 소비자용 웨어러블 기기와 준감독형 딥러닝을 조합할 경우, 기존 임상 환경을 벗어난 곳에서도 확장 가능하고 저비용의 심혈관 위험 선별 체계를 가능하게 한다는 것을 입증한다.