[논문 리뷰] Detecting and interpreting myocardial infarctions using fully convolutional neural networks.

Nils Strodthoff, Claas Strodthoff|arXiv (Cornell University)|2018. 06. 18.

ECG Monitoring and Analysis참고 문헌 42인용 수 8

한 줄 요약

이 논문은 복잡한 사전 처리 없이 PTB 데이터베이스의 원시 ECG 데이터에서 심장마비를 감지하기 위해 완전히 컨volutional 신경망(FCNN) 앙상블을 제안한다. 10겹 교차검증을 통해 93.3%의 민감도와 89.7%의 특이도를 달성하며 인간 심장병 전문의 수준의 성능을 보이며, 모델 결정을 해석하기 위해 소스 기반 방법을 사용한다.

ABSTRACT

We consider the detection of myocardial infarction in electrocardiography (ECG) data as provided by the PTB ECG database without non-trivial preprocessing. The classification is carried out using deep neural networks in a comparative study involving convolutional as well as recurrent neural network architectures. The best architecture, an ensemble of fully convolutional architectures, beats state-of-the-art results on this dataset and reaches 93.3% sensitivity and 89.7% specificity evaluated with 10-fold crossvalidation, which is the performance level of human cardiologists for this task. We investigate questions relevant for clinical applications such as the dependence of the classification results on the considered data channels and the considered subdiagnoses. Finally, we apply attribution methods to gain an understanding of the network's decision criteria on an exemplary basis.

연구 동기 및 목표

• 원시 ECG 신호에서 광범위한 사전 처리 없이도 심장마비를 감지할 수 있는 딥 러닝 모델을 개발하는 것.
• ECG 기반 심장마비 감지에서 컨volutional 및 순환 신경망 아키텍처의 성능을 비교하는 것.
• 임상 실무와 관련된 다양한 ECG 리드 및 하위 진단에 대해 모델의 강인성을 평가하는 것.
• 임상적 투명성을 확보하기 위해 소스 기반 방법을 활용해 모델의 결정 과정을 해석하는 것.

제안 방법

• 이 연구는 PTB 데이터베이스의 원시 ECG 신호에 대해 엔드 투 엔드로 훈련된 완전히 컨볼루션 신경망(FCNN) 아키텍처의 앙상블을 활용한다.
• 모델은 수작업으로 설계된 특징 공학이나 복잡한 사전 처리 없이 다중 리드 ECG 데이터를 직접 처리한다.
• 모델 성능 평가를 위해 10겹 교차검증 전략을 사용하여 감지 민감도와 특이도를 평가한다.
• 최고의 성능를 보인 FCNN 앙상블을 순환 신경망 아키텍처와 비교하여 그 우월성을 검증한다.
• 클래스 활성화 맵 및 기타 소스 기반 기법을 적용하여 모델 예측에 영향을 주는 ECG 세그먼트를 시각화한다.
• 개별 ECG 리드와 하위 진단(예: 전벽 대비 후벽 심장마비)이 분류 성능에 미치는 영향을 체계적으로 분 析한다.

실험 결과

연구 질문

• RQ1 완전히 컨볼루션 신경망은 순환 아키텍처와 비교해 원시 ECG 데이터에서 심장마비 감지에 어떻게 성능을 내는가?
• RQ2 개별 ECG 리드가 모델의 분류 정확도와 신뢰성에 어떤 영향을 미치는가?
• RQ3 심장마비의 다양한 하위 진단에 따라 모델의 성능은 어떻게 변화하는가?
• RQ4 소스 기반 방법이 임상적으로 해석 가능한 방식으로 모델의 예측을 얼마나 잘 설명할 수 있는가?
• RQ5 이 모델은 이 작업에서 인간 심장병 전문의 수준의 성능을 달성할 수 있는가?

주요 결과

• FCNN 앙상블은 10겹 교차검증을 통해 PTB ECG 데이터베이스에서 93.3%의 민감도와 89.7%의 특이도를 달성했다.
• FCNN 앙상블은 원시 ECG 데이터에서 심장마비 감지에 있어 순환 신경망 아키텍처를 능가하는 성능을 보였다.
• 모델 성능은 ECG 리드에 따라 크게 달라졌으며, 일부 리드가 다른 리드보다 분류 정확도에 더 큰 기여를 했다.
• 모델은 다양한 하위 진단에 대해 강건한 성능를 보였지만, 심장마비 부위에 따라 약간의 민감도 차이가 있었다.
• 소스 기반 방법을 통해 네트워크가 ST-세그먼트 상승 및 QRS 복합파 변화와 같은 특징적인 ECG 패atters에 집중하는 것으로 밝혀졌다.
• 모델의 성능는 인간 심장병 전문의의 성능와 매우 유사하여 임상적 관련성과 실생활 적용 가능성을 시사한다.