[논문 리뷰] MINA: Multilevel Knowledge-Guided Attention for Modeling Electrocardiography Signals

Shenda Hong, Cao Xiao외 3명|arXiv (Cornell University)|2019. 05. 27.

ECG Monitoring and Analysis참고 문헌 18인용 수 6

한 줄 요약

MINA는 다중 수준의 임상 지식을 통합한 다층 지식 유도 주의망을 제안하며, 심전도(ECG) 분석을 위한 해석 가능한 딥러닝 모델에 박동, 리듬, 주파수 수준의 임상 지식을 통합한다. 도메인 특화 주의 메커니즘과 주파수 도메인 융합을 통해 MINA는 심房세동 예측에서 PR-AUC 0.9436을 달성하였으며, 최고의 베이스라인 대비 5.51% 향상되었고, 노이즈와 신호 왜곡 조건에서도 강건성과 해석 가능성을 유지한다.

ABSTRACT

Electrocardiography (ECG) signals are commonly used to diagnose various cardiac abnormalities. Recently, deep learning models showed initial success on modeling ECG data, however they are mostly black-box, thus lack interpretability needed for clinical usage. In this work, we propose MultIlevel kNowledge-guided Attention networks (MINA) that predict heart diseases from ECG signals with intuitive explanation aligned with medical knowledge. By extracting multilevel (beat-, rhythm- and frequency-level) domain knowledge features separately, MINA combines the medical knowledge and ECG data via a multilevel attention model, making the learned models highly interpretable. Our experiments showed MINA achieved PR-AUC 0.9436 (outperforming the best baseline by 5.51%) in real world ECG dataset. Finally, MINA also demonstrated robust performance and strong interpretability against signal distortion and noise contamination.

연구 동기 및 목표

• 딥러닝 모델의 해석 가능성 부족으로 인해 임상적 도입이 제한되는 문제를 해결한다.
• 박동, 리듬, 주파수 수준의 다중 임상 지식을 통합한 유일한 딥러닝 프레임워크를 구축한다.
• 임상 ECG 데이터에서 흔히 발생하는 실제 신호 왜곡과 노이즈에 대한 모델의 강건성을 향상시킨다.
• 의료적 이해와 일치하는 모델 출력을 가능하게 하여 QRS 복합체 및 부정맥 패턴과 같은 진단적으로 관련 있는 ECG 특징을 강조한다.
• 실제 임상 진단 조건을 반영하기 위해 신호 열화 조건 하에서의 해석 가능성과 강건성에 대한 평가 방법을 개발한다.

제안 방법

• 형태학적 지식(예: P파, QRS 복합체)을 안내로 사용하는 컨volutional 신경망(CNN)을 통해 박동 수준 특징을 추출한다.
• 시간 패턴 지식(예: 부정맥)을 안내로 사용하는 순환 신경망(RNN)을 통해 리듬 수준 특징을 추출한다.
• 임상적으로 관련 있는 주파수 대역(예: QRS 우세도를 위한 10–50 Hz)을 식별하기 위해 주파수 도메인 주의를 적용한다.
• 시간, 리듬, 주파수 도메인 간의 주의 가중치를 다층 주의 기반 융합을 통해 최종 예측을 생성한다.
• 주파수 주의 융합을 통해 기저선 왜곡과 고주파 노이즈에 대한 민감도를 낮추기 위해 깨끗한 신호 성분에 집중한다.
• 주의 지도를 통한 엔드 투 엔드 학습을 통해 주의 맵이 의료적 관련성을 반영하고 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 박동, 리듬, 주파수 수준의 다중 임상 지식을 통합하여 심전도 기반 심장질환 예측의 해석 가능성을 향상시킬 수 있는가?
• RQ2 제안된 다층 주의 기반 메커니즘이 기저선 왜곡과 고주파 노이즈에 대해 모델의 강건성을 어떻게 향상시키는가?
• RQ3 모델의 주의 메커니즘이 QRS 복합체 및 부정맥 패턴과 같은 알려진 임상 마커와 얼마나 일치하는가?
• RQ4 표준 주의 또는 기존 모델 대비 주파수 도메인 주의 융합이 신호 열화 조건에서 성능과 강건성을 향상시키는가?
• RQ5 실제 노이즈가 있는 ECG 데이터에서 모델은 높은 예측 성능를 유지하면서도 임상적으로 해석 가능한 주의 맵을 제공할 수 있는가?

주요 결과

• MINA는 실제 ECG 데이터셋에서 심방세동 예측에 대해 PR-AUC 0.9436을 달성하여 최고의 베이스라인 대비 5.51% 향상되었다.
• 기저선 왜곡에 대해 강력한 저항성을 보였으며, 고강도 왜곡에서도 베이스라인 대비 상당히 낮은 PR-AUC 감소를 보였다.
• 백색 노이즈 오염 조건에서도 MINA는 안정된 성능과 해석 가능성을 유지하였으며, 주의는 0.5–50 Hz 대역(QRS 우세)에 집중된 반면, 노이즈 영향을 받는 채널(50 Hz 이상)은 낮은 주의 가중치를 받았다.
• 주파수 주의 융합을 통해 모델은 임상적으로 관련 있는 신호 성분(예: 10–50 Hz)을 식별하고 우선순위를 정하여 저주파 기저선 이동과 고주파 노이즈의 영향을 감소시켰다.
• 주의 시각화 결과 모델이 진단적으로 의미 있는 특징(예: QRS 복합체 및 리듬 변화)을 강조하고 있음을 확인하였으며, 임상 지식과 일치하였다.
• 신호 열화 조건에서도 모델의 해석 가능성은 유지되었으며, 깨끗한 신호 대역에서의 박동 및 리듬 수준 주의 패턴이 원본 무손상 데이터와 일관성을 유지하였다.