[論文レビュー] Data Augmentation for Electrocardiograms

Aniruddh Raghu, Divya Shanmugam+3 more|arXiv (Cornell University)|Apr 9, 2022

ECG Monitoring and Analysis被引用数 8

ひとこと要約

本稿では、ネストド最適化と implicitly differentiation を用いて増幅ポリシーを最適化する、学習可能でタスク固有の心電図（ECG）用データ拡張手法であるTaskAugを提案する。8つのECG予測タスクにおいて、固定された増幅戦略を上回り、特にデータが少ない状況で優れた性能を示し、各タスクに適した有効な変換の解釈可能な洞察を提供する。

ABSTRACT

Neural network models have demonstrated impressive performance in predicting pathologies and outcomes from the 12-lead electrocardiogram (ECG). However, these models often need to be trained with large, labelled datasets, which are not available for many predictive tasks of interest. In this work, we perform an empirical study examining whether training time data augmentation methods can be used to improve performance on such data-scarce ECG prediction problems. We investigate how data augmentation strategies impact model performance when detecting cardiac abnormalities from the ECG. Motivated by our finding that the effectiveness of existing augmentation strategies is highly task-dependent, we introduce a new method, TaskAug, which defines a flexible augmentation policy that is optimized on a per-task basis. We outline an efficient learning algorithm to do so that leverages recent work in nested optimization and implicit differentiation. In experiments, considering three datasets and eight predictive tasks, we find that TaskAug is competitive with or improves on prior work, and the learned policies shed light on what transformations are most effective for different tasks. We distill key insights from our experimental evaluation, generating a set of best practices for applying data augmentation to ECG prediction problems.

研究の動機と目的

• 深層学習モデルを用いた心疾患予測の訓練において、ラベル付きECGデータが限られているという課題に対処すること。
• データ拡張が、データが少ないECG予測タスクの性能を向上させることができるかどうかを調査すること。
• 各特定の予測タスクに最適化された柔軟でタスク依存の増幅戦略を開発すること。
• ECGを用いた臨床予測に応用するための実行可能なベストプラクティスを生成すること。

提案手法

• TaskAugは、学習可能な操作選択確率とクラス固有の大きさパラメータを持つ微分可能増幅ポリシーを定義する。
• モデルと増幅ポリシーのパラメータを同時に最適化するために、ネストド最適化と implicitly differentiation を用いる。
• 時間ずらし、スケーリング、周波数マスキングなど、ECGに特化した多様な増幅をサポートする。
• バリデーションAUROCを最大化するメタラーニング目的関数を用いて、エンドツーエンドで増幅ポリシーを学習する。
• クラス固有の大きさパラメータにより、陽性例と陰性例を別々に増幅でき、タスクに必要な信号を保持する。
• フレームワークは、3つのECGデータセットを用い、心室性期外収縮や心筋梗塞の検出を含む8つの異なる予測タスクで評価された。

実験結果

リサーチクエスチョン

• RQ1 クラス頻度やデータセットサイズが異なる多様なECG予測タスクにおいて、データ拡張は性能にどのように影響を与えるか？
• RQ2 データが少ない状況において、学習可能でタスク固有の増幅ポリシーは、固定された増幅戦略を上回ることができるか？
• RQ3 心電図におけるさまざまな心疾患の異常に対して、どの増幅操作が最も効果的か？
• RQ4 クラス固有の増幅大きさが、モデルの性能と一般化能力にどのように影響するか？
• RQ5 新しい臨床予測タスクの文脈で、学習された増幅ポリシーを解釈することで、どのような知見が得られるか？

主な発見

• TaskAugは、8つのECG予測タスクにおいてAUROC性能を顕著に向上させ、先行する最先端の増幅手法を上回るか同等の性能を示した。
• データ拡張による性能向上は、特に陽性クラス頻度が低い状況で顕著に現れ、データが少ない状況で顕著であった。
• 増幅ポリシーのパラメータを最適化することで、明確な性能向上が得られ、ポリシー学習がランダムまたは固定の増幅よりも効果的であることが示された。
• クラス固有の大きさパラメータにより、陽性例と陰性例に適したカスタマイズされた増幅が可能になり、特にAFib検出のようなタスクで性能が向上した。
• 学習されたTaskAugポリシーは、タスク固有のパターンを明らかにした—例えば、RVHのような低頻度疾患ではスケーリングがより効果的であり、心室性不整脈検出には時間ずらしが有効であった。
• 高データ量の状況では、データ拡張が性能を低下させないが、その恩恵は一貫性がなく、データが少ない場合に最も価値があることが示唆された。