[논문 리뷰] ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction

Nathan T. Riek, Murat Akçakaya외 11명|arXiv (Cornell University)|2024. 05. 08.

ECG Monitoring and AnalysisMedicine인용 수 3

한 줄 요약

ECG-SMART-NET은 1×k 및 12×1 커널 컨볼루션을 사용한 수정된 ResNet-18를 통해 시간적 및 공간적 특징 학습을 통합함으로써 12-lead ECG에서 폐색 심근경색(OMI) 탐지 능력을 향상시키는 딥러닝 아키텍처이다. 실제 다기관 데이터셋(10,393개의 ECG)에서 테스트 AUC 0.953을 기록하여 ResNet-18 및 최신 기술 수준의 랜덤 포레스트 모델을 모두 능가했다.

ABSTRACT

Objective: In this paper we develop and evaluate ECG-SMART-NET for occlusion myocardial infarction (OMI) identification. OMI is a severe form of heart attack characterized by complete blockage of one or more coronary arteries requiring immediate referral for cardiac catheterization to restore blood flow to the heart. Two thirds of OMI cases are difficult to visually identify from a 12-lead electrocardiogram (ECG) and can be potentially fatal if not identified quickly. Previous works on this topic are scarce, and current state-of-the-art evidence suggests both feature-based random forests and convolutional neural networks (CNNs) are promising approaches to improve ECG detection of OMI. Methods: While the ResNet architecture has been adapted for use with ECG recordings, it is not ideally suited to capture informative temporal features within each lead and the spatial concordance or discordance across leads. We propose a clinically informed modification of the ResNet-18 architecture. The model first learns temporal features through temporal convolutional layers with 1xk kernels followed by a spatial convolutional layer, after the residual blocks, with 12x1 kernels to learn spatial features. Results: ECG-SMART-NET was benchmarked against the original ResNet-18 and other state-of-the-art models on a multisite real-word clinical dataset that consists of 10,393 ECGs from 7,397 unique patients (rate of OMI =7.2%). ECG-SMART-NET outperformed other models in the classification of OMI with a test AUC of 0.953 [0.921, 0.978]. Conclusion and Significance: ECG-SMART-NET can outperform the state-of-the-art random forest for OMI prediction and is better suited for this task than the original ResNet-18 architecture.

연구 동기 및 목표

• 12-lead ECG에서 폐색 심근경색(OMI)을 진단하는 데 있어, 임상적으로 미처 발견되지 않는 경우가 2/3에 달하는 바, 이는 미세하거나 비특이적인 패tern 때문이므로 이를 해결하고자 한다.
• 기존 아키텍처보다 더 효과적으로 각 ECG 리드 내의 시간적 동적 특징과 리드 간의 공간적 관계를 포착할 수 있는 딥러닝 모델을 개발하고자 한다.
• 실제 임상 ECG 데이터를 기반으로 기존 최신 기술 수준의 모델, 즉 ResNet-18 및 랜덤 포레스트 분류기보다 OMI 진단 능력을 뛰어나게 하기 위해 개발하고자 한다.
• 생명을 위협하는 질환인 OMI의 조기 발견을 향상시키기 위해 임상적 통찰을 반영한 신경망 아키텍처를 설계하고자 한다.

제안 방법

• 모델은 각 ECG 리드에서 시간적 특징을 추출하기 위해 잔차 블록 이전에 1×k 커널을 사용한 시간적 컨볼루션 레이어를 통합한 수정된 ResNet-18 아키텍처이다.
• 잔차 블록 이후에는 12개의 리드 간 공간적 일치 또는 이질성을 학습하기 위해 12×1 커널을 사용한 공간적 컨볼루션 레이어를 적용한다.
• 모델는 ResNet-18의 잔차 학습 프레임워크를 유지하면서도 ECG 신호 구조에 맞게 특화된 컨볼루션을 도입한다.
• 모델는 7,397명의 고유 환자에서 확보한 10,393개의 ECG로 구성된 다기관 임상 데이터셋에서 엔드 투 엔드로 훈련된다. OMI 유병률은 7.2%이다.
• 성능 평가에는 수신기 작업 특성 곡선 아래 면적(AUC)을 사용하며, 원본 ResNet-18 및 최신 기술 수준의 랜덤 포레스트 분류기 등 기준 모델과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 ECG에서 시간적 및 공간적 특징을 명시적으로 모델링하는 딥러닝 모델이 기존 아키텍처보다 OMI 탐지 정확도를 향상시킬 수 있는가?
• RQ2 특화된 1×k 및 12×1 컨볼루션을 적용한 임상적 통찰을 반영한 ResNet-18 수정 버전이 원본 ResNet-18보다 OMI 분류 성능에서 뛰어나게 되는가?
• RQ3 실제 임상 ECG 데이터에서 ECG-SMART-NET은 랜덤 포레스트 및 표준 CNN과 같은 최신 기술 수준의 모델보다 OMI 탐지 능력에서 뛰어나게 되는가?
• RQ4 시간적 및 공간적 특징 학습 구성 요소가 독립적으로나 함께 작용할 때, 진단 성능 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• ECG-SMART-NET은 10,393개의 ECG로 구성된 다기관 임상 데이터셋에서 테스트 AUC 0.953(95% 신뢰구간: 0.921–0.978)을 기록하여 OMI 탐지 능력에서 뛰어난 성능을 입증하였다.
• 기본 모델로 사용된 원본 ResNet-18 아키텍처보다 AUC 및 진단 정확도 측면에서 유의미하게 뛰어난 성능을 보였다.
• 이전에 OMI 탐지에 강력한 벤치마크로 여겨졌던 최신 기술 수준의 랜덤 포레스트 모델의 성능을 초월하였다.
• 1×k 시간적 컨볼루션과 12×1 공간적 컨볼루션의 통합을 통해 리드별 동적 특징과 OMI 진단에 핵심적인 리드 간 패atters를 효과적으로 포착할 수 있었다.