[논문 리뷰] Automatic Diagnosis of the Short-Duration 12-Lead ECG using a Deep Neural Network: the CODE Study.

Antônio H. Ribeiro, Antônio H. Ribeiro외 10명|arXiv (Cornell University)|2019. 04. 02.

ECG Monitoring and Analysis참고 문헌 34인용 수 8

한 줄 요약

이 연구는 200만 건 이상의 임상 기록을 포함한 대규모 실생활 데이터셋을 사용하여 7~10초 분량의 단기 12导심전도에서 6종류의 12-lead ECG 이상을 자동으로 진단하기 위한 딥 리서지드 신경망을 개발한다. 모델은 F1 점수 80% 이상, 특이도 99% 초과를 달성하여 의학 수련의사 및 학생들보다 진단 정확도에서 뛰어나다.

ABSTRACT

We present a Deep Neural Network (DNN) model for predicting electrocardiogram (ECG) abnormalities in short-duration 12-lead ECG recordings. The analysis of the digital ECG obtained in a clinical setting can provide a full evaluation of the cardiac electrical activity and have not been studied in an end-to-end machine learning scenario. Using the database of the Telehealth Network of Minas Gerais, under the scope of the CODE (Clinical Outcomes in Digital Electrocardiology) study, 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 consists of 12-lead ECGs recorded during standard in-clinic exams. Using this data, we trained a residual neural network with 9 convolutional layers to map ECG signals with a duration of 7 to 10 seconds into 6 different classes of ECG abnormalities. High-performance measures were obtained for all ECG abnormalities, with F1 scores above $80\%$ and specificity indexes over $99\%$. We compare the performance with cardiology and emergency resident medical doctors as well as medical students and, considering the F1 score, the DNN matches or outperforms the medical residents and students for all abnormalities. These results indicate that end-to-end automatic ECG analysis based on DNNs, previously used only in a single-lead setup, generalizes well to the 12-lead ECG. This is an important result in that it takes this technology much closer to standard clinical practice.

연구 동기 및 목표

• 단기 12-lead ECG에서 ECG 이상을 자동으로 진단하기 위한 엔드 투 엔드 딥 신경망을 개발하는 것.
• 기계학습 응용 분야에서 12-lead ECG 분석을 위한 대규모 실생활 데이터셋 부족 문제를 해결하는 것.
• 심장내과 수련의사 및 의예과 학생을 포함한 임상 전문가들과의 비교를 통해 DNN의 성능을 평가하는 것.
• 실생활 임상 12-lead ECG 데이터로 훈련된 딥 러닝 모델이 임상 현장에서 효과적으로 일반화될 수 있음을 입증하는 것.

제안 방법

• 모델은 12-lead ECG 신호를 7~10초 분량으로 처리하기 위해 9개의 합성곱층을 가진 리서지드 신경망을 사용한다.
• 모델은 브라질 미나스 지라이스의 텔레헬스 네트워크에서 일상 진료에서 수집한 200만 건 이상의 12-lead ECG 트레이싱으로 구성된 새로운 데이터셋을 기반으로 훈련된다.
• 훈련 데이터는 임상적 현실성과 확장 가능성을 보장하기 위해 CODE(Clinical Outcomes in Digital Electrocardiology) 연구에서 유래된다.
• 엔드 투 엔드 학습을 통해 원시 ECG 신호를 직접 6개의 사전 정의된 ECG 이상 유형 클래스로 매핑한다.
• 표준 평가 지표인 F1 점수 및 특이도를 사용하여 성능을 평가하며, 인간 전문가와의 비교도 수행된다.

실험 결과

연구 질문

• RQ1 실생활 임상 데이터를 사용하여 딥 뉴럴 네트워크가 단기 12-lead ECG에서 높은 진단 성능를 달성할 수 있는가?
• RQ2 DNN의 성능가 의학 수련의사 및 학생의 성능와 비교하여 어떻게 다른가?
• RQ3 엔드 투 엔드 딥 러닝이 임상 환경에서 단일 리드에서 다중 리드 ECG 분석으로 일반화되는 정도는 어느 정도인가?
• RQ4 대규모 실생활 12-lead ECG 데이터셋이 자동 ECG 진단 모델의 강건성과 임상적 관련성을 향상시킬 수 있는가?

주요 결과

• DNN는 모든 6종류의 ECG 이상 유형에서 F1 점수 80% 이상을 달성하여 뛰어난 진단 성능를 보였다.
• 모든 이상에 대해 특이도가 99%를 초과하여 정상 ECG를 식별하는 데 높은 정밀도를 보였다.
• 모든 ECG 이상 유형 범주에서 의학 수련의사 및 학생들과 비교해 F1 점수에서 동등하거나 슈퍼어리어를 기록했다.
• 결과는 엔드 투 엔드 딥 러닝 모델이 실생활 12-lead ECG 데이터로 훈련된 후 임상 현장에서 효과적으로 일반화됨을 보여주었다.
• 본 연구는 대규모 실생활 ECG 데이터를 활용해 고성능 자동 진단 시스템을 개발하는 것이 가능함을 입증하였다.