[论文解读] Artificial Intelligence System for Detection and Screening of Cardiac Abnormalities using Electrocardiogram Images

Deyun Zhang, Shijia Geng+29 more|arXiv (Cornell University)|Feb 10, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本研究提出了一种人工智能系统，通过深度学习从现实世界的心电图（ECG）图像中检测和筛查心脏异常——例如纸质心电图的照片或扫描件。该系统在包含52,357名患者的多样化数据集上进行训练，检测任务的AUC最高达到0.996，筛查任务的AUC为0.894，筛查准确率超过心脏病专家，且与专家诊断具有高度相关性。

ABSTRACT

The artificial intelligence (AI) system has achieved expert-level performance in electrocardiogram (ECG) signal analysis. However, in underdeveloped countries or regions where the healthcare information system is imperfect, only paper ECGs can be provided. Analysis of real-world ECG images (photos or scans of paper ECGs) remains challenging due to complex environments or interference. In this study, we present an AI system developed to detect and screen cardiac abnormalities (CAs) from real-world ECG images. The system was evaluated on a large dataset of 52,357 patients from multiple regions and populations across the world. On the detection task, the AI system obtained area under the receiver operating curve (AUC) of 0.996 (hold-out test), 0.994 (external test 1), 0.984 (external test 2), and 0.979 (external test 3), respectively. Meanwhile, the detection results of AI system showed a strong correlation with the diagnosis of cardiologists (cardiologist 1 (R=0.794, p<1e-3), cardiologist 2 (R=0.812, p<1e-3)). On the screening task, the AI system achieved AUCs of 0.894 (hold-out test) and 0.850 (external test). The screening performance of the AI system was better than that of the cardiologists (AI system (0.846) vs. cardiologist 1 (0.520) vs. cardiologist 2 (0.480)). Our study demonstrates the feasibility of an accurate, objective, easy-to-use, fast, and low-cost AI system for CA detection and screening. The system has the potential to be used by healthcare professionals, caregivers, and general users to assess CAs based on real-world ECG images.

研究动机与目标

• 开发一种人工智能系统，能够从现实世界的心电图图像中检测和筛查心脏异常，尤其适用于数字医疗基础设施有限的地区。
• 解决在非理想条件下（如光线不足、角度变化或图像失真）分析心电图图像的挑战。
• 创建一种低成本、快速且易于使用的工具，供医疗专业人员、照护者及普通用户在早期进行心脏风险评估。
• 通过与心脏病专家对比验证系统性能，并确保其在不同人群和地理区域中的临床相关性。

提出的方法

• 使用PyTorch在来自全球多个来源的52,357张心电图图像大规模数据集上，端到端训练了卷积神经网络（CNN）。
• 应用数据增强技术（如RandomResizedCrop和Normalize）以提高模型的泛化能力和对图像变化的鲁棒性。
• 采用Adam优化器并结合动态学习率调度和早停策略，防止过拟合。
• 通过Django实现基于云的部署，提供安全、可扩展的RESTful API访问，使移动设备能够实时上传心电图图像并接收人工智能分析结果。
• 系统支持通过API令牌进行用户身份验证，并包含一个简洁的移动界面，用于图像上传、结果查看及与医生共享发现。
• 性能评估指标包括AUC、准确率、敏感性、特异性、F1-score，以及与心脏病专家诊断的皮尔逊相关系数。

实验结果

研究问题

• RQ1 人工智能系统能否在从现实世界心电图图像（如纸质心电图的照片或扫描件）中检测心脏异常方面达到专家水平表现？
• RQ2 该人工智能系统在识别无症状心脏疾病方面的筛查表现，与经验丰富的心脏病专家相比如何？
• RQ3 该人工智能系统在不同人群及来自不同地理区域的外部数据集上，性能保持高水平的程度如何？
• RQ4 该系统能否作为低成本、可扩展且用户友好的工具，在初级保健和自我筛查场景中实现全球范围部署？

主要发现

• 在保留测试集上，该人工智能系统的心脏异常检测AUC达到0.996，在外部测试集1上为0.994，在外部测试集2上为0.984，在外部测试集3上为0.979。
• 该人工智能系统与心脏病专家诊断具有高度相关性，两位独立心脏病专家的皮尔逊相关系数分别为0.794（p < 1e-3）和0.812（p < 1e-3）。
• 在筛查任务中，该人工智能系统在保留测试集上的AUC为0.894，在外部测试集上的AUC为0.850，显著优于心脏病专家（分别为AUC 0.520和0.480）。
• 该系统在检测心脏异常方面表现出高敏感性（92.1%）和高特异性（95.3%），在保留测试集上的F1-score为0.928。
• 该模型在不同人群和地理区域中均保持一致的高性能，表明其具备强大的泛化能力。
• 该系统已成功作为基于云的服务部署，配备移动端友好的界面，支持通过具有互联网连接的移动设备实时分析心电图图像。