[논문 리뷰] Automatic Diagnosis of Short-Duration 12-Lead ECG using a Deep Convolutional Network

Antônio H. Ribeiro, Antônio H. Ribeiro외 8명|arXiv (Cornell University)|2018. 11. 28.

ECG Monitoring and Analysis참고 문헌 35인용 수 6

한 줄 요약

이 논문은 짧은 기간(7–10초)의 심전도 신호에서 12 leads의 6 가지 흔한 심전도 이상을 자동으로 진단하는 딥 리소지드 컨volution 신경망을 제안한다. 200만 건 이상의 실제 임상 심전도로 구성된 새로운 데이터셋에서 훈련된 모델은 6 가지 이상 분류 중 5 가지에서 4년차 심장내과 전공의보다 뛰어난 성능을 보이며, F1 스코어는 80% 이상, 특이도는 99%를 초과한다.

ABSTRACT

We present a model for predicting electrocardiogram (ECG) abnormalities in short-duration 12-lead ECG signals which outperformed medical doctors on the 4th year of their cardiology residency. Such exams can provide a full evaluation of heart activity and have not been studied in previous end-to-end machine learning papers. Using the database of a large telehealth network, we built a novel dataset with more than 2 million ECG tracings, orders of magnitude larger than those used in previous studies. Moreover, our dataset is more realistic, as it consist of 12-lead ECGs recorded during standard in-clinics exams. Using this data, we trained a residual neural network with 9 convolutional layers to map 7 to 10 second ECG signals to 6 classes of ECG abnormalities. Future work should extend these results to cover a large range of ECG abnormalities, which could improve the accessibility of this diagnostic tool and avoid wrong diagnosis from medical doctors.

연구 동기 및 목표

• 원시 신호 입력을 사용하여 12-lead 심전도 이상을 자동으로 진단하기 위한 엔드 투 엔드 딥 러닝 모델을 개발하는 것.
• 딥 러닝 모델 훈련에 적합한 대규모, 실제 임상 환경에서의, 완전히 레이블링된 12-lead 심전도 데이터셋의 부족을 해결하는 것.
• 심장내과 전문의가 부족한 주니어 케어 및 자원이 제한된 환경에서 진단 정확도와 접근성을 향상시키는 것.
• 모델의 성능을 임상 전문가, 특히 4년차 심장내과 전공의와 비교하여 평가하는 것.
• 미래 작업에서 더 광범위한 심전도 이상을 커버할 수 있도록 모델의 기반을 마련하는 것.

제안 방법

• 모델는 12-lead 심전도 신호를 7–10초 동안 처리하기 위해 9개의 컨volution 레이어를 가진 리소지드 신경망을 사용한다.
• 리소지드 블록 간 텐서 차원을 일치시키기 위해 스킵 연결과 1x1 컨볼루션 레이어를 포함한다.
• 6 가지 심전도 이상에 대한 다중 클래스 확률 출력을 생성하기 위해 최종 레이어에 시그모이드 활성화 함수를 적용한다.
• 이중 교차 엔트로피 손실과 감소하는 학습률 전략을 사용한 Adam 옵timizer를 사용하여 모델을 훈련한다.
• 검증 손실 기반 조기 정지 전략을 적용하여 총 50 에포크 동안 훈련하고, 가장 우수한 성능를 보인 모델을 선택한다.
• 정밀도-재현율 곡선의 변곡점을 기반으로 각 클래스에 대한 수동 임계값을 설정하여 양성 예측를 결정한다.

실험 결과

연구 질문

• RQ1 딥 컨볼루션 신경망이 훈련된 의료 전문가보다 12-lead 심전도 진단 성능에서 뛰어나게 할 수 있는가?
• RQ2 실제 임상 환경에서 수집된 짧은 기간의 12-lead 심전도에 대해 엔드 투 엔드 딥 러닝 접근 방식은 얼마나 효과적인가?
• RQ3 대규모, 실제 임상 환경의 심전도 데이터셋은 여러 가지 심전도 이상에 대해 고정밀도 자동 진단을 가능하게 할 수 있는가?
• RQ4 딥 러닝 모델과 임상 전문가 간의 공통적인 심전도 이상 진단에서의 성능 격차는 어느 정도인가?
• RQ5 향후 작업에서 이러한 모델이 더 넓은 범위의 심전도 진단을 커버하는 데 얼마나 확장 가능한가?

주요 결과

• 1차도 AV 블록에 대해 딥 러닝 모델은 F1 스코어 0.813을 기록하여 4년차 심장내과 전공의의 0.776보다 뛰어났다.
• 오른쪽 블록 브랜치 블록(RBBB)에 대해 모델은 F1 스코어 0.935를 기록했고, 의사들의 0.917보다 뛰어나며, 재현율 100%와 특이도 99.5%를 기록했다.
• 왼쪽 블록 브랜치 블록(LBBB)에 대해 모델은 재현율 100%와 F1 스코어 98.5%를 기록했고, 의사들의 94.7% F1 스코어를 초월했다.
• 房성 fibrillation에 대해 모델은 F1 스코어 84.6%를 기록했으며, 의사들과 동일한 성능를 보였지만 특이도가 더 높았다(99.8% 대 99.6%).
• 1st degree AV block, RBBB, LBBB, SB, ST의 6 가지 이상 중 5 가지에서 모델은 F1 스코어에서 의사들을 능가했다.
• 6 가지 이상 전반에 걸쳐 모델은 모두 99% 이상의 높은 특이도를 보이며 강력한 참음성 탐지 능력을 입증했다.