[論文レビュー] Electrocardiogram Classification and Visual Diagnosis of Atrial Fibrillation with DenseECG

Dacheng Chen, Dan Li+3 more|arXiv (Cornell University)|Jan 19, 2021

ECG Monitoring and Analysis参考文献 59被引用数 6

ひとこと要約

本論文では、複雑な前処理や特徴工学的特徴に依存せずに心房細動（AF）を検出するエンド・ツー・エンドの心電図（ECG）分類のための1次元密集接続畳み込みニューラルネットワーク（DenseECG）を提案する。モデルは2017年PhysioNet CinCチャレンジデータセットおよび不均衡なMIT-BIHデータセットにおいて最先端の性能を達成し、分類の決定に寄与するECG領域を可視化・解釈可能にするためのクラス活性マップ（CAM）を用いることで、臨床的応用におけるモデルの解釈可能性が向上している。

ABSTRACT

Atrial Fibrillation (AF) is a common cardiac arrhythmia affecting a large number of people around the world. If left undetected, it will develop into chronic disability or even early mortality. However, patients who have this problem can barely feel its presence, especially in its early stage. A non-invasive, automatic, and effective detection method is therefore needed to help early detection so that medical intervention can be implemented in time to prevent its progression. Electrocardiogram (ECG), which records the electrical activities of the heart, has been widely used for detecting the presence of AF. However, due to the subtle patterns of AF, the performance of detection models have largely depended on complicated data pre-processing and expertly engineered features. In our work, we developed DenseECG, an end-to-end model based on 5 layers 1D densely connected convolutional neural network. We trained our model using the publicly available dataset from 2017 PhysioNet Computing in Cardiology(CinC) Challenge containing 8528 single-lead ECG recordings of short-term heart rhythms (9-61s). Our trained model was able to outperform the other state-of-the-art AF detection models on this dataset without complicated data pre-processing and expert-supervised feature engineering.

研究の動機と目的

• 複雑なデータ前処理や専門家が設計した特徴に依存せずに、ECG信号における自動心房細動（AF）検出のためのエンド・ツー・エンドのディープラーニングモデルを開発すること。
• クラス活性マップ（CAM）を用いて分類に寄与するECGセグメントを可視化することで、医療AIにおけるモデルの解釈性を向上させ、モデルの意思決定のトレーサビリティを可能にすること。
• バランスの取れたデータセットおよび極めて不均衡なECGデータセット（2017年PhysioNet CinCチャレンジおよびMIT-BIH心リズム異常データセットを含む）におけるモデルの性能を評価すること。
• 短いECGセグメント（例：1分間のウィンドウ）へのモデルの適用可能性を示し、ウェアラブルデバイスや臨床モニタリングシステムへの統合を支援すること。

提案手法

• 提案されたモデルDenseECGは、生のECG信号から階層的特徴を直接学習する5層の1次元密集接続畳み込みニューラルネットワークである。
• アーキテクチャは、カーネルサイズ3、成長率12、ドロップアウト率0.1の密集ブロックを用い、ブロック間で複雑さを制御するためのリダクションレート0.25を適用する。
• モデルの解釈可能性を向上させるために、クラス活性マップ（CAM）を生成し、AF分類意思決定に最も寄与するECG時間セグメントを強調表示する。
• MIT-BIHデータセットでは、3つの密集ブロックと1ブロックあたり3層を持つ、より小さなDenseECGバージョンを用い、L2正則化（λ=0.0001）とAdam最適化手法を適用する。
• データの不均衡に対処するため、トレーニング中にクラスウェイトを適用し、ファーカル損失やデータオーグメンテーション技術と比較する。
• モデルは50エポックでトレーニングされ、初期学習率0.001を50%および75%のトレーニング時点で0.1の要因で減少させるコサインスケジュールを用いる。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドのディープラーニングモデルは、専門家が設計した前処理や特徴工学的特徴に依存せずに、AF検出で最先端の性能を達成できるか？
• RQ2 クラス活性マップ（CAM）は、AF分類に寄与する臨床的に関連するECGパターンを効果的に局在化できるか？ これにより、モデルの解釈性が向上するか？
• RQ3 DenseECGモデルは、MIT-BIHのような極めて不均衡なECGデータセットにおいて、既存の最先端手法と比較してどのように性能を発揮するか？
• RQ4 クラスウェイトの使用は、不均衡データセットにおける少数クラス（心リズム異常）の性能を向上させるか？ また、ファーカル損失やデータオーグメンテーションと比較してどうなるか？

主な発見

• DenseECGは、MIT-BIH心リズム異常データセットにおいて、94.70%の最先端の平均精度を達成し、データオーグメンテーションを用いたResNet（93.40%）を上回った。
• クラスウェイトを適用したモデルは、MIT-BIHで94.70%の精度を達成し、クラスウェイトなしのモデル（90.93%）やファーカル損失を用いたモデル（91.32%）を顕著に上回った。
• 2017年PhysioNet CinCチャレンジデータセットにおいて、DenseECGは、複雑な前処理や手作業による特徴抽出を必要とせず、他の最先端モデルを上回った。
• CAM可視化により、P波の欠如やF波の存在といった臨床的に関連するECGセグメントが適切に強調表示された。これは、モデルが既知のAFマーカーに注目していることを確認した。
• モデルは短いECGセグメント（例：約1.5秒）に対しても頑健であることが示され、ウェアラブルデバイスやリアルタイムモニタリングシステムへの統合可能性が裏付けられた。
• 「その他」という多様性のあるクラスでさえも、CAMは人間の診断理解と整合する異常領域を正しく同定した。これは、さまざまな心リズム異常タイプに一般化可能である可能性を示唆している。