[论文解读] Understanding the Importance of Heart Sound Segmentation for Heart Anomaly Detection

Theekshana Dissanayake, Tharindu Fernando+4 more|arXiv (Cornell University)|May 21, 2020

Phonocardiography and Auscultation Techniques参考文献 18被引用 15

一句话总结

本研究证明，心脏音分割对于准确的异常心脏音分类至关重要，提出了一种鲁棒且可解释的深度学习分类器，通过利用分割后的心音图数据和可解释性技术，揭示了模型决策过程，在PhysioNet数据集上实现了接近100%的准确率。

ABSTRACT

Traditionally, abnormal heart sound classification is framed as a three-stage process. The first stage involves segmenting the phonocardiogram to detect fundamental heart sounds; after which features are extracted and classification is performed. Some researchers in the field argue the segmentation step is an unwanted computational burden, whereas others embrace it as a prior step to feature extraction. When comparing accuracies achieved by studies that have segmented heart sounds before analysis with those who have overlooked that step, the question of whether to segment heart sounds before feature extraction is still open. In this study, we explicitly examine the importance of heart sound segmentation as a prior step for heart sound classification, and then seek to apply the obtained insights to propose a robust classifier for abnormal heart sound detection. Furthermore, recognizing the pressing need for explainable Artificial Intelligence (AI) models in the medical domain, we also unveil hidden representations learned by the classifier using model interpretation techniques. Experimental results demonstrate that the segmentation plays an essential role in abnormal heart sound classification. Our new classifier is also shown to be robust, stable and most importantly, explainable, with an accuracy of almost 100% on the widely used PhysioNet dataset.

研究动机与目标

• 探究心脏音分割是否显著提升异常心脏音分类的性能。
• 开发一种鲁棒且稳定的深度学习分类器，用于心脏异常检测，并将分割作为预处理步骤。
• 通过使用模型解释技术揭示隐藏表征，确保医疗AI中的模型可解释性。
• 解决关于分割是否增加计算开销或提升分类准确率的长期争议。

提出的方法

• 在特征提取前对心音图信号进行分割，以分离基本心脏音（S1和S2）。
• 应用在分割后的心音数据上训练的深度学习模型，对异常与正常心脏音进行分类。
• 使用注意力图或显著性分析等模型解释技术，可视化并解释学习到的表征。
• 在广泛使用的PhysioNet数据集上评估分类器，以确保基准一致性和可复现性。
• 对比有无分割情况下的性能，量化分割对分类准确率的影响。
• 实现一个集成分割、特征学习和可解释AI的流程，以增强临床相关性。

实验结果

研究问题

• RQ1 将心脏音分割作为预处理步骤是否能显著提升异常心脏音分类的准确率？
• RQ2 与跳过分割的现有方法相比，所提出的分类器表现如何？
• RQ3 在多大程度上可使用模型解释技术对模型的内部表征进行解释和说明？
• RQ4 所提出的分类器在不同心脏音模式和噪声条件下是否具有鲁棒性和稳定性？

主要发现

• 心脏音分割显著提升分类性能，证明其在实现高精度异常心脏音检测中至关重要。
• 所提出的分类器在PhysioNet数据集上实现了接近100%的准确率，表现出卓越性能。
• 该模型在多种心脏音模式下表现出鲁棒性和稳定性，表明其具有可靠的泛化能力。
• 模型解释技术成功揭示了有意义的隐藏表征，增强了可信度和临床可用性。
• 本研究通过证明分割并非计算负担，而是实现高准确率的关键推动因素，解决了长期争议。
• 可解释AI技术的整合为模型决策提供了透明度，支持临床采纳。