[논문 리뷰] Training one model to detect heart and lung sound events from single point auscultations

Leander Melms, Robert R. Ilesan외 12명|arXiv (Cornell University)|2023. 01. 15.

Phonocardiography and Auscultation Techniques인용 수 4

한 줄 요약

이 논문은 싱글 포인트 auscultation에서 심장 및 폐 소리 이벤트를 단일 딥러닝 모델로 감지하는 준감독형 다중 작업 학습 방법을 제안한다. 이는 auscultation 위치와 기기 유형에 관계없이 불변성을 확보한다. 전문가 단일 작업 모델에서 유도한 가짜 레이블을 활용한 배경 이벤트와 진정한 레이블 데이터를 결합함으로써 통합 모델은 여섯 개 클래스에서 매크로 F1 스코어 39.2%를 달성하였으며, 이는 단일 작업 기반 모델 대비 6.7% 향상된 성능이다. 이는 어떤 위치에서나 신뢰할 수 있는 심폐 소리 감지가 가능하게 한다.

ABSTRACT

Objective: This work proposes a semi-supervised training approach for detecting lung and heart sounds simultaneously with only one trained model and in invariance to the auscultation point. Methods: We use open-access data from the 2016 Physionet/CinC Challenge, the 2022 George Moody Challenge, and from the lung sound database HF_V1. We first train specialist single-task models using foreground ground truth (GT) labels from different auscultation databases to identify background sound events in the respective lung and heart auscultation databases. The pseudo-labels generated in this way were combined with the ground truth labels in a new training iteration, such that a new model was subsequently trained to detect foreground and background signals. Benchmark tests ensured that the newly trained model could detect both, lung, and heart sound events in different auscultation sites without regressing on the original task. We also established hand-validated labels for the respective background signal in heart and lung sound auscultations to evaluate the models. Results: In this work, we report for the first time results for i) a multi-class prediction for lung sound events and ii) for simultaneous detection of heart and lung sound events and achieve competitive results using only one model. The combined multi-task model regressed slightly in heart sound detection and gained significantly in lung sound detection accuracy with an overall macro F1 score of 39.2% over six classes, representing a 6.7% improvement over the single-task baseline models. Conclusion/Significance: To the best of our knowledge, this is the first approach developed to date for measuring heart and lung sound events invariant to both, the auscultation site and capturing device. Hence, our model is capable of performing lung and heart sound detection from any auscultation location.

연구 동기 및 목표

• 단일 포인트 auscultation에서 위치나 기기 유형에 관계없이 심장 및 폐 소리 이벤트를 감지할 수 있는 통합 모델을 개발하는 것.
• 다중 모odal 폐 및 심장 소리 감지에 대해 제한된 레이블이 부여된 데이터 문제를 해결하는 것.
• 전문가 모델에서 유도한 가짜 레이블을 활용하여 일반화 능력을 향상시킴으로써 감지 성능을 향상시키는 것.
• 단일의 종단 간 훈련 가능한 모델에서 auscultation 위치 및 기록 장치에 대한 불변성을 확보하는 것.
• 최소한의 인간 레이블 데이터로 폐 및 심장 소리 이벤트의 동시에 다중 클래스 감지를 위한 벤치마크를 수립하는 것.

제안 방법

• 방법은 2016년 PhysioNet/CinC 챌린지, 2022년 George Moody 챌린지, HF_V1 폐 소리 데이터베이스에서 제공된 전경 진정 레이블을 기반으로 별도의 단일 작업 모델을 훈련시키는 것으로 시작된다.
• 훈련된 모델을 활용해 배경 소리 이벤트를 식별하고, 이들의 예측 결과를 원래 데이터셋에 레이블이 부여되지 않은 데이터에 대한 가짜 레이블로 사용한다.
• 가짜 레이블이 부여된 배경 데이터를 원래의 진정 레이블 데이터와 결합하여 통합 다중 작업 모델을 위한 확장된 새로운 훈련 세트를 구성한다.
• 통합 모델은 심장 및 폐 소리 기록에서 전경(비정상) 및 배경(정상) 이벤트를 동시에 감지하도록 훈련된다.
• 모델 성능 평가를 위해 심장 및 폐 auscultation에서의 배경 신호에 대한 수동 검증 데이터셋을 구축한다.
• 최종 모델은 다양한 auscultation 위치와 기기에서 이벤트 감지를 수행하는 능력에 대해 벤치마크를 수행하여 불변성을 확보한다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 다양한 auscultation 위치와 기기에서 높은 정확도로 심장 및 폐 소리 이벤트를 감지할 수 있는가?
• RQ2 저자원 다중 모달 auscultation 데이터에서 배경 이벤트에 대한 준감독형 가짜 레이블링이 감지 성능에 어떤 영향을 미치는가?
• RQ3 단일 작업 모델 대비 다중 작업 훈련이 개별 작업 성능에 얼마나 큰 영향을 미치는가?
• RQ4 모델은 재학습 없이도 새로운 auscultation 위치에 일반화할 수 있는가?
• RQ5 가짜 레이블이 부여된 배경 데이터와 실제 진정 레이블 데이터를 결합했을 때 전체 감지 F1 스코어에 어떤 영향을 미치는가?

주요 결과

• 통합 다중 작업 모델은 여섯 개의 폐 및 심장 소리 이벤트 클래스에서 매크로 F1 스코어 39.2%를 달성하였으며, 이는 단일 작업 기반 모델 대비 6.7% 향상된 성능이다.
• 모델은 폐 소리 감지 정확도에서 뚜렷한 향상을 보였으며, 심장 소리 감지 성능은 유지된 상태로 유지되었다.
• 모델은 auscultation 위치 및 기록 장치에 관계없이 불변성을 보였으며, 어떤 단일 포인트 위치에서나 신뢰할 수 있는 감지를 가능하게 하였다.
• 전문가 모델에서 유도한 배경 이벤트의 가짜 레이블링이 통합 모델의 일반화 능력을 효과적으로 향상시켰다.
• 수동 검증된 배경 레이블은 모델이 심장 및 폐 기록에서 정상 생리적 소리를 정확히 식별할 수 있음을 확인시켰다.
• 벤치마크 결과는 모델이 원래 단일 작업 성능을 떨어뜨리지 않았음을 확인하였으며, 준감독형 다중 작업 접근법의 효과성을 입증하였다.