[論文レビュー] Deep CardioSound-An Ensembled Deep Learning Model for Heart Sound MultiLabelling

Guo Li, Steven Davenport+1 more|arXiv (Cornell University)|Apr 15, 2022

Phonocardiography and Auscultation Techniques被引用数 33

ひとこと要約

心音録音のマルチラベル注釈のためのアンサンブル深層学習モデルを提案し、心雑音のタイミング、音高、グレーディング、品質、形状などのラベルを跨いで、セグメントレベルおよび録音レベルの性能を強力に達成する。

ABSTRACT

Heart sound diagnosis and classification play an essential role in detecting cardiovascular disorders, especially when the remote diagnosis becomes standard clinical practice. Most of the current work is designed for single category based heard sound classification tasks. To further extend the landscape of the automatic heart sound diagnosis landscape, this work proposes a deep multilabel learning model that can automatically annotate heart sound recordings with labels from different label groups, including murmur's timing, pitch, grading, quality, and shape. Our experiment results show that the proposed method has achieved outstanding performance on the holdout data for the multi-labelling task with sensitivity=0.990, specificity=0.999, F1=0.990 at the segments level, and an overall accuracy=0.969 at the patient's recording level.

研究の動機と目的

• 自動的な心音診断を単一ラベル分類の域を超えて前進させる。
• タイミング、音高、グレーディング、品質、形状といった多様なラベル群をカバーするマルチラベルフレームワークを開発する。
• 臨床的に関連した指標でホールドアウトデータ上の性能を示す。

提案手法

• アンサンブル深層学習アーキテクチャを用いて心音ラベリングのマルチラベルを実行する。
• 心雑音のタイミング、音高、グレーディング、品質、形状を含む複数グループのラベルを注釈するよう設計されたモデル。
• セグメントおよび患者録音全体の一般化を示すためホールドアウトデータで訓練・評価を行う。

実験結果

リサーチクエスチョン

• RQ1 単一のモデルが複数の心音ラベルカテゴリを効果的に同時予測できるか。
• RQ2 提案するアンサンブルがマルチラベル心音タスクにおいてセグメントレベルおよび録音レベルの性能をどの程度達成するか。
• RQ3 タイミング、音高、グレーディング、品質、形状といったラベル群でモデルはどのように性能を示すか。

主な発見

• セグメントレベルの感度: 0.990。
• セグメントレベルの特異度: 0.999。
• セグメントレベルのF1: 0.990。
• 患者録音レベルの全体的な精度: 0.969。