[論文レビュー] Patient Contrastive Learning: a Performant, Expressive, and Practical Approach to ECG Modeling

Nathaniel Diamant, Erik Reinertsen+4 more|arXiv (Cornell University)|Apr 9, 2021

ECG Monitoring and Analysis参考文献 20被引用数 7

ひとこと要約

この論文では、同一患者の異なる時系列における心電図を一致させることで、表現力・性能・実用性に優れた心電図表現を学習する自己教師ありコントラスト学習手法である Patient Contrastive Learning of Representations (PCLR) を提案する。320万件のラベルなし12誘導心電図で訓練されたPCLRは、特に5,000件未塔のラベル付き例での下流臨床タスクにおいて、手作業で作成された特徴量やリズム分類で事前学習されたモデルを上回る性能を発揮する。

ABSTRACT

Supervised machine learning applications in health care are often limited due to a scarcity of labeled training data. To mitigate this effect of small sample size, we introduce a pre-training approach, Patient Contrastive Learning of Representations (PCLR), which creates latent representations of ECGs from a large number of unlabeled examples. The resulting representations are expressive, performant, and practical across a wide spectrum of clinical tasks. We develop PCLR using a large health care system with over 3.2 million 12-lead ECGs, and demonstrate substantial improvements across multiple new tasks when there are fewer than 5,000 labels. We release our model to extract ECG representations at https://github.com/broadinstitute/ml4h/tree/master/model_zoo/PCLR.

研究の動機と目的

• 突然心停止などの希少疾患を含む、臨床機械学習におけるラベル付き学習データの不足という課題に対処すること。
• 性能に加え、表現力と実用性にも優れた、ディープラーニングの専門知識がなくても利用可能な事前学習手法を開発すること。
• 多様な臨床タスクで下流性能を向上させる、12誘導心電図向けの汎用的表現学習フレームワークを構築すること。
• 患者中心のコントラスト学習が、疾患特異的事前学習や手作業で作成された心電図特徴量を上回ることを実証すること。

提案手法

• PCLRはSimCLRにインspiredされたコントラスト学習フレームワークを用いるが、データ拡張ではなく患者IDを基準に再定義している。
• 正例ペアは、同じ患者が異なる時刻に取得した心電図から構成される。負例ペアは、異なる患者の心電図から構成される。
• モデルは、同一患者の心電図が類似した位置にマップされる潜在空間を学習し、患者固有の生理的パターンを保持する。
• コントラスト損失関数により、正例ペア間の類似度を最大化し、負例ペア間の類似度を最小化するように表現空間を最適化する。
• 320万件のラベルなし心電図で事前学習した後、線形評価ヘッドを用いて特定のタスク（例：性別分類、左室壁肥厚（LVH）、心房細動（AF）、年齢推定）に微調整する。
• 最終的な表現は、線形モデルと直接組み合わせられるように設計されており、非専門家の臨床研究者による容易な導入を可能にする。

実験結果

リサーチクエスチョン

• RQ1 データ拡張ではなく患者IDを優先する自己教師ありコントラスト学習アプローチが、心電図の表現学習を改善できるか？
• RQ2 限られたラベル付きデータで微調整した場合、PCLRはリズム分類で事前学習された教師ありモデルと比較して、下流臨床タスクでどの程度優れた性能を示すか？
• RQ3 PCLRの表現が、臨床予測タスクにおいて従来の手作業特徴量をどの程度上回るか？
• RQ4 PCLRは、例えば低ショット学習のようなどのようなデータ環境で、初期学習から訓練する場合や他の事前学習モデルと比較して最も効果的か？

主な発見

• PCLRは、5,000件未塔のラベル付き例が利用可能な状況で、性別分類、LVH検出、AF分類、年齢推定の4つの評価タスクすべてで、初期学習から訓練する手法を上回る性能を発揮する。
• 性別分類において顕著な改善が得られたが、これは性別という生理的特徴が安定的かつ患者固有であることに起因すると考えられる。
• PCLR表現に基づく線形モデルは、標準的な心電図特徴量（例：心拍数、PR間隔、QRS幅）に基づくモデルと比較して、LVH分類、性別分類、年齢推定のすべてで顕著に優れた性能を示す。
• PCLRは、リズム分類で事前学習されたモデル（Ribeiro-R）を上回り、LVH分類および性別分類の両方で優れた性能を発揮した。これは、患者中心の表現が、タスク特異的表現よりも一般化性能に優れていることを示している。
• PCLRの性能向上は、特にデータが少ない環境で顕著であり、データが乏しい臨床的状況での有効性を示している。
• 公開されたPCLRモデルにより、ディープラーニングの専門知識がなくても臨床研究者が高品質な心電図表現を容易に抽出でき、広範な実用的導入を支援する。