[논문 리뷰] Understanding the Importance of Heart Sound Segmentation for Heart Anomaly Detection

Theekshana Dissanayake, Tharindu Fernando외 4명|arXiv (Cornell University)|2020. 05. 21.

Phonocardiography and Auscultation Techniques참고 문헌 18인용 수 15

한 줄 요약

이 연구는 심장음 분할이 정확한 비정상 심장음 분류를 위해 필수적임을 입증하며, 분할된 청취기록 데이터와 해석 가능성 기법을 활용하여 모델의 의사결정 과정을 드러내는 강력하고 해석 가능한 딥러닝 분류기를 제안한다. 이 모델은 PhysioNet 데이터셋에서 거의 100%의 정확도를 달성한다.

ABSTRACT

Traditionally, abnormal heart sound classification is framed as a three-stage process. The first stage involves segmenting the phonocardiogram to detect fundamental heart sounds; after which features are extracted and classification is performed. Some researchers in the field argue the segmentation step is an unwanted computational burden, whereas others embrace it as a prior step to feature extraction. When comparing accuracies achieved by studies that have segmented heart sounds before analysis with those who have overlooked that step, the question of whether to segment heart sounds before feature extraction is still open. In this study, we explicitly examine the importance of heart sound segmentation as a prior step for heart sound classification, and then seek to apply the obtained insights to propose a robust classifier for abnormal heart sound detection. Furthermore, recognizing the pressing need for explainable Artificial Intelligence (AI) models in the medical domain, we also unveil hidden representations learned by the classifier using model interpretation techniques. Experimental results demonstrate that the segmentation plays an essential role in abnormal heart sound classification. Our new classifier is also shown to be robust, stable and most importantly, explainable, with an accuracy of almost 100% on the widely used PhysioNet dataset.

연구 동기 및 목표

• 심장음 분할이 비정상 심장음 분류 성능을 크게 향상시키는지 조사하기.
• 분할을 사전 단계로 통합한 강력하고 안정적인 딥러닝 분류기를 개발하여 심장 이상 탐지에 활용하기.
• 모델 해석 기법을 활용해 숨겨진 표현을 드러내어 의료 AI의 해석 가능성 확보하기.
• 분할이 계산 오버헤드를 증가시키는지 아니면 분류 정확도를 향상시키는지에 대한 지속적인 논의 해결하기.

제안 방법

• 특징 추출 이전에 기본 심장음(S1 및 S2)을 분리하기 위해 청취기록 신호의 분할 수행.
• 분할된 심장음 데이터로 훈련된 딥러닝 모델을 활용하여 비정상 대비 정상 심장음 분류 수행.
• 주의 맵 또는 민감도 분석과 같은 모델 해석 기법을 사용해 학습된 표현을 시각화하고 설명.
• 기준 일致성과 재현 가능성을 확보하기 위해 널리 사용되는 PhysioNet 데이터셋에서 분류기 평가.
• 분류 정확도에 대한 분할의 영향을 정량화하기 위해 분할 유무에 따른 성능 비교.
• 임상적 유의성을 갖는 분할, 특징 학습, 해석 가능한 AI를 통합한 파이프라인 구현.

실험 결과

연구 질문

• RQ1 심장음 분할을 사전 처리 단계로 포함함으로써 비정상 심장음 분류 정확도가 유의미하게 향상되는가?
• RQ2 분할을 생략하는 기존 방법과 비교해 제안된 분류기의 성능은 어떠한가?
• RQ3 모델의 내부 표현을 모델 해석 기법을 통해 어느 정도 해석하고 설명할 수 있는가?
• RQ4 제안된 분류기는 다양한 심장음 패턴과 노이즈 조건에서 안정적이고 강건한가?

주요 결과

• 심장음 분할은 분류 성능을 크게 향상시키며, 비정상 심장음 탐지에서 고정확도를 달성하기 위해 필수적임이 입증되었다.
• 제안된 분류기는 PhysioNet 데이터셋에서 거의 100%의 정확도를 달성하여 뛰어난 성능을 보였다.
• 다양한 심장음 패턴에서 모델은 강건성과 안정성을 보이며 신뢰할 수 있는 일반화 능력을 나타냈다.
• 모델 해석 기법은 의미 있는 숨겨진 표현을 성공적으로 드러내어 신뢰도 향상과 임상적 활용성 향상에 기여했다.
• 연구는 분할이 계산 오버헤드가 아니라 고정확도 달성의 핵심 요소임을 입증함으로써 논의를 종식시켰다.
• 해석 가능한 AI 기법의 통합은 모델 의사결정의 투명성을 제공하여 임상적 도입을 지원했다.