[论文解读] Automatic Diagnosis of Short-Duration 12-Lead ECG using a Deep Convolutional Network

Antônio H. Ribeiro, Antônio H. Ribeiro+8 more|arXiv (Cornell University)|Nov 28, 2018

ECG Monitoring and Analysis参考文献 35被引用 6

一句话总结

本文提出了一种深度残差卷积神经网络，能够从短时程（7–10秒）心电图信号中自动诊断六种常见12导联心电图异常。该模型在包含超过200万份真实临床心电图的新数据集上进行训练，在五项异常分类中表现优于四年级心脏病学住院医师，F1分数超过80%，特异性超过99%。

ABSTRACT

We present a model for predicting electrocardiogram (ECG) abnormalities in short-duration 12-lead ECG signals which outperformed medical doctors on the 4th year of their cardiology residency. Such exams can provide a full evaluation of heart activity and have not been studied in previous end-to-end machine learning papers. Using the database of a large telehealth network, we built a novel dataset with more than 2 million ECG tracings, orders of magnitude larger than those used in previous studies. Moreover, our dataset is more realistic, as it consist of 12-lead ECGs recorded during standard in-clinics exams. Using this data, we trained a residual neural network with 9 convolutional layers to map 7 to 10 second ECG signals to 6 classes of ECG abnormalities. Future work should extend these results to cover a large range of ECG abnormalities, which could improve the accessibility of this diagnostic tool and avoid wrong diagnosis from medical doctors.

研究动机与目标

• 开发一种端到端的深度学习模型，使用原始信号输入自动诊断12导联心电图异常。
• 解决缺乏大规模、真实世界、完全标注的12导联心电图数据集的问题，以适用于深度学习模型的训练。
• 在心脏病专家稀缺的基层医疗和低资源环境中，提高诊断准确性和可及性。
• 将模型性能与临床专家（特别是四年级心脏病学住院医师）进行对比评估。
• 为未来工作建立基础，以扩展模型覆盖更广泛的心电图异常。

提出的方法

• 该模型使用包含9个卷积层的残差神经网络，处理时长为7–10秒的12导联心电图信号。
• 该架构在残差块之间引入跳跃连接，并使用1×1卷积层以匹配张量维度。
• 在最后一层应用Sigmoid激活函数，以生成六种心电图异常的多分类概率输出。
• 使用二元交叉熵损失函数和带有衰减学习率策略的Adam优化器进行训练。
• 训练运行50个周期，基于验证损失采用早停策略，选择表现最佳的模型。
• 基于精确率-召回率曲线的拐点，为每个类别手动设定阈值，以确定阳性预测结果。

实验结果

研究问题

• RQ1 与受过训练的医疗专业人员相比，深度卷积神经网络是否能在12导联心电图上实现更优的诊断表现？
• RQ2 端到端的深度学习方法在真实世界、短时程12导联心电图（在临床环境中采集）上的有效性如何？
• RQ3 大规模真实世界心电图数据集是否能够实现对多种心电图异常的高精度自动诊断？
• RQ4 在诊断常见心电图异常方面，深度学习模型与临床专家之间的性能差距有多大？
• RQ5 此类模型在将来的研究中，能在多大程度上扩展以覆盖更广泛的心电图诊断范围？

主要发现

• 对于一度房室传导阻滞，该深度学习模型的F1分数达到0.813，优于四年级心脏病学住院医师的0.776。
• 对于右束支传导阻滞，模型的F1分数为0.935，高于医生的0.917，且召回率为100%，特异性为99.5%。
• 对于左束支传导阻滞，模型实现了100%的召回率和98.5%的F1分数，超过医生的94.7% F1分数。
• 对于心房颤动，模型的F1分数为84.6%，与医生表现相当，但特异性更高（99.8% vs. 99.6%）。
• 在六种心电图异常中的五种（一度房室传导阻滞、RBBB、LBBB、SB和ST）中，模型的F1分数均优于医生。
• 该模型在所有六种异常中均表现出极高的特异性（>99%），表明其对真阴性结果的检测能力极强。