[논문 리뷰] Multiple Instance Learning for ECG Risk Stratification

Divya Shanmugam, Davis Blalock외 1명|arXiv (Cornell University)|2019. 10. 28.

ECG Monitoring and Analysis인용 수 1

한 줄 요약

이 논문은 급성 관상동맥 증후군 이후 30–365일 이내 심혈관 사망을 예측하기 위해 원시 ECG 신호를 사용하는 다중 예제 학습(MIL) 프레임워크를 제안한다. 환자의 ECG를 심박수의 '백'으로 모델링하고 원시 데이터에서 직접 위험 점수를 학습함으로써, 5,000명의 환자로 구성된 데이터셋에서 기존 임상 지표를 능가하며, 클래스 불균형 문제를 해결하고 엔드 투 엔드 표현 학습을 활용한다.

ABSTRACT

Patients who suffer an acute coronary syndrome are at elevated risk for adverse cardiovascular events such as myocardial infarction and cardiovascular death. Accurate assessment of this risk is crucial to their course of care. We focus on estimating a patient's risk of cardiovascular death after an acute coronary syndrome based on a patient's raw electrocardiogram (ECG) signal. Learning from this signal is challenging for two reasons: 1) positive examples signifying a downstream cardiovascular event are scarce, causing drastic class imbalance, and 2) each patient's ECG signal consists of thousands of heartbeats, accompanied by a single label for the downstream outcome. Machine learning has been previously applied to this task, but most approaches rely on hand-crafted features and domain knowledge. We propose a method that learns a representation from the raw ECG signal by using a multiple instance learning framework. We present a learned risk score for cardiovascular death that outperforms existing risk metrics in predicting cardiovascular death within 30, 60, 90, and 365 days on a dataset of 5000 patients.

연구 동기 및 목표

• 급성 관상동맥 증후군 이후 심혈관 사망 위험을 평가하기 위해 원시 ECG 신호를 활용하는 것을 목적으로 한다.
• 심혈관 사망 사건이 희귀한 바람에 발생하는 극심한 클래스 불균형 문제를 해결하는 것을 목적으로 한다.
• 수동으로 설계된 특징에 의존하지 않고 원시 ECG 데이터에서 직접 의미 있는 표현을 학습하는 것을 목적으로 한다.
• 각 환자가 백이고, 각 심박수가 약한 레이블이 부여된 인스턴스인 ECG 데이터의 백-오브-심박수 구조를 활용하는 모델을 개발하는 것을 목적으로 한다.
• 단기 및 장기 심혈관 사망 예측에서 기존 임상 위험 점수를 능가하는 것을 목적으로 한다.

제안 방법

• 이 방법은 각 환자를 심박수의 '백'으로 간주하고, 전체 백에 적용되는 결과 레이블(사망 여부)을 기반으로 ECG 위험 예측 문제를 다중 예제 학습(MIL) 문제로 설정한다.
• 심박수의 원시 ECG 신호로부터 표현을 학습하기 위해 딥 네트워크를 훈련하며, 최종 예측은 각 백 내의 인스턴스 수준 예측을 집계하여 도출된다.
• 모델은 최소한 하나의 양성 인스턴스(높은 위험도를 가진 심박수)가 존재할 경우 백을 올바르게 분류하도록 유도하는 MIL 손실 함수를 사용한다.
• 프레임워크는 수동 특징 공학을 피하기 위해 원시 ECG 신호에서 엔드 투 엔드로 훈련된다.
• 환자별로 학습된 위험 점수가 생성되며, 이는 30일, 60일, 90일 및 365일 결과에 대해 예측 성능을 평가하는 데 사용된다.

실험 결과

연구 질문

• RQ1 다중 예제 학습 프레임워크는 급성 관상동맥 증후군 이후 심혈관 사망을 예측하기 위해 원시 ECG 신호로부터 효과적으로 학습할 수 있는가?
• RQ2 원시 ECG 심박수에서 엔드 투 엔드 표현 학습이 기존의 수동으로 설계된 특징 기반 방법보다 우수한가?
• RQ3 기존 임상 위험 점수와 비교해 볼 때, 제안된 방법은 단기 및 장기 심혈관 사망 예측에서 어떻게 성능을 발휘하는가?
• RQ4 MIL는 희귀한 부정적 사건 예측에서 클래스 불균형의 영향을 어느 정도 완화할 수 있는가?

주요 결과

• 제안된 MIL 기반 방법은 기존 임상 위험 지표보다 30일, 60일, 90일 및 365일 이내 심혈관 사망 예측에서 뛰어난 성능을 달성한다.
• 모델은 도메인 특화의 특징 공학 없이도 원시 ECG 신호에서 직접 의미 있는 위험 점수를 학습한다.
• 이 방법은 급성 관상동맥 증후군 이후 결과에서 극도로 불균형한 클래스 문제를 효과적으로 다룬다.
• 학습된 표현은 이후 심혈관 사망과 관련된 ECG 심박수의 구분 가능한 패턴을 포착한다.