[論文レビュー] Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG

Deepta Rajan, David Beymer+1 more|arXiv (Cornell University)|Jan 5, 2019

ECG Monitoring and Analysis参考文献 9被引用数 5

ひとこと要約

本稿では、限られたリード数の心電図（ECG）を用いた心疾患検出における一般化性能の向上を目的として、教師なし生成モデリングと判別的1次元ResNetを組み合わせたハイブリッド深層学習モデルであるResNet++を提案する。完全12リードECGデータから欠落しているリードを再構築するための潜在表現を学習することで、ResNet++は、小規模で不均衡なデータセットを用いても、標準的なResNetと比較して、未観測の心疾患状態において2–11%高いF1スコアを達成する。

ABSTRACT

Acceleration of machine learning research in healthcare is challenged by lack of large annotated and balanced datasets. Furthermore, dealing with measurement inaccuracies and exploiting unsupervised data are considered to be central to improving existing solutions. In particular, a primary objective in predictive modeling is to generalize well to both unseen variations within the observed classes, and unseen classes. In this work, we consider such a challenging problem in machine learning driven diagnosis: detecting a gamut of cardiovascular conditions (e.g. infarction, dysrhythmia etc.) from limited channel ECG measurements. Though deep neural networks have achieved unprecedented success in predictive modeling, they rely solely on discriminative models that can generalize poorly to unseen classes. We argue that unsupervised learning can be utilized to construct effective latent spaces that facilitate better generalization. This work extensively compares the generalization of our proposed approach against a state-of-the-art deep learning solution. Our results show significant improvements in F1-scores.

研究の動機と目的

• 限られたECGリード数、小規模で不均衡なデータセットで学習された深層学習モデルが、心疾患検出において一般化性能に欠けるという課題に対処すること。
• 低データ環境下でのハイパーパrameterチューニングへの感受性を低減し、分布外のサンプルに対してもモデルのロバスト性を向上させること。
• 教師なし表現学習を用いて、1–3リードからのみでも完全12リードECGパターンの効果的な推論を可能にすること。
• 生成モデリングと判別的分類を組み合わせることで、学習クラス以外の多様な心疾患病態に対しても一般化性能が向上することを示すこと。

提案手法

• 完全12リードECG信号からコンactな潜在表現を学習し、欠落しているリードの再構築を可能にする、GRU層を用いたシーケンス・ツー・シーケンス（Seq2Seq）オートエンコーダを用いる。
• 完全リードECGデータ上で教師なし生成モデルを学習し、正常および異常なECGパターンの構造を暗黙的に学習する。
• ECGリード間で意味のある共通特徴を符号化する潜在空間を構築し、未観測のチャンネル構成に対しても効果的な一般化を可能にする。
• 1D ResNet（7層の畳み込み層を備える）を用いて、限られたリード入力におけるエンドツーエンドの疾患分類を最適化する。
• 教師なしの事前学習段階で、ラベルなしの完全リードECGデータを活用し、手動のアノテーションを必要とせずに表現品質を向上させる。
• 判別的分類ヘッドの学習には、Adam最適化法とバッチサイズ32を用いたカテゴリカル交差エントロピー損失を適用する。

実験結果

リサーチクエスチョン

• RQ1 限られたECGリード数での心疾患検出において、教師なし生成モデリングが深層学習モデルの一般化性能を向上させることができるか？
• RQ2 提案されたResNet++モデルは、標準的なResNetと比較して、分布外の心疾患状態（例：前壁心筋梗塞、束支部ブロック、不 rhythmia）においてどのように性能を発揮するか？
• RQ3 ラベルなし完全リードECGデータに対する事前学習が、モデルのロバスト性を向上させるとともに、ハイパーパrameter設定への感受性を低減する程度はどの程度か？
• RQ4 リード間で共有される潜在空間を学習することで、欠落しているリード情報の推論能力および多様な心疾患病態への一般化能力が向上するか？

主な発見

• ResNet++は、前壁心筋梗塞、後壁心筋梗塞、束支部ブロック、不 rhythmiaなどの未観測の心疾患状態に一般化する際、2–11%高いF1スコアを達成した。
• モデルは分布外のサンプルに対しても顕著に高いロバスト性を示し、トレーニングセットに存在しない疾患でも高い性能を維持した。
• ResNet++は、特に小規模で不均衡なデータ環境下において、ハイパーパrameter設定への感受性が低減した。
• 教師なし事前学習段階は、ラベルなし完全リードECGデータを効果的に活用し、意味のある潜在空間を構築することができ、下流の分類性能を向上させた。
• 潜在表現により、欠落しているECGリードの暗黙的な補完が可能となり、3リードからの入力でも完全12リードパターンの推論が可能になった。
• PhysioNet PTBデータセットにおいて、ResNet++はすべての評価指標で標準的なResNetを上回り、特にレアクラスの疾患に対してRecallとF1スコアで顕著な向上を示した。