[论文解读] Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks

Pranav Rajpurkar, Awni Hannun+3 more|arXiv (Cornell University)|Jul 6, 2017

ECG Monitoring and Analysis参考文献 21被引用 618

一句话总结

一个34层的卷积神经网络在一个包含30,000名患者、14类的单导联心电图数据集上训练，达到心脏病专家级别的表现，且在检测一系列心律失常方面常常超过平均心脏病专家。

ABSTRACT

We develop an algorithm which exceeds the performance of board certified cardiologists in detecting a wide range of heart arrhythmias from electrocardiograms recorded with a single-lead wearable monitor. We build a dataset with more than 500 times the number of unique patients than previously studied corpora. On this dataset, we train a 34-layer convolutional neural network which maps a sequence of ECG samples to a sequence of rhythm classes. Committees of board-certified cardiologists annotate a gold standard test set on which we compare the performance of our model to that of 6 other individual cardiologists. We exceed the average cardiologist performance in both recall (sensitivity) and precision (positive predictive value).

研究动机与目标

• 推动从单导联ECG实现自动、准确的心律失常检测，以辅助临床工作流程。
• 创建一个比以往数据集大数量级的数据集，以支撑深度学习。
• 开发一个端到端的CNN模型，将原始ECG时间序列映射到心律注释。
• 用黄金标准注释将模型与获得资质的心脏病专家的表现进行比较。

提出的方法

• 使用具有残差连接的34层卷积神经网络，将30秒、200 Hz的ECG片段映射为逐秒的心律标签。
• 端到端训练，使用稳健的归一化和 dropout；采用带学习率调度的 Adam 优化器。
• 由临床专家对一个大型ECG数据集（64,121条记录，来自29,163名患者）进行14种心律类注释；以一组心脏病专家组成的委员会作为地面真相进行测试。
• 从30秒输入输出1 Hz的预测，实现节序列到节序列的心律标签标注。

实验结果

研究问题

• RQ1 深度CNN是否能够在从单导联ECG检测广泛心律失常集合方面超过平均水平的资质心脏病专家？
• RQ2 增加数据集规模和模型深度是否会提高ECG上序列到序列心律标签的准确性？
• RQ3 模型在14种心律分类上的逐类F1以及综合指标（精确度、召回率、F1）与临床医生相比如何？

主要发现

• 该模型在序列级F1和集合级F1指标上均优于平均心脏病专家。
• 逐类F1分数显示该模型在许多心律上达到比心脏病专家更高的F1，特别是AV block类型和CHB。
• 在序列和集合评估中，综合精确度、召回率和F1均偏向模型胜过心脏病专家。
• 一个大型数据集（约64k条记录，来自约29k名患者）以及具有残差连接的33层CNN是性能提升的关键。
• 模型常将相似的节律混淆，与临床相似性一致（如Wenckebach与Mobitz II），这显示出合理的错误模式。