[论文解读] Deep CardioSound-An Ensembled Deep Learning Model for Heart Sound MultiLabelling

Guo Li, Steven Davenport+1 more|arXiv (Cornell University)|Apr 15, 2022

Phonocardiography and Auscultation Techniques被引用 33

一句话总结

提出一个用于多标签心音记录注释的集成深度学习模型，覆盖如杂音时相、音调、分级、质量和形态等标签，在分段和记录级别都取得强性能。

ABSTRACT

Heart sound diagnosis and classification play an essential role in detecting cardiovascular disorders, especially when the remote diagnosis becomes standard clinical practice. Most of the current work is designed for single category based heard sound classification tasks. To further extend the landscape of the automatic heart sound diagnosis landscape, this work proposes a deep multilabel learning model that can automatically annotate heart sound recordings with labels from different label groups, including murmur's timing, pitch, grading, quality, and shape. Our experiment results show that the proposed method has achieved outstanding performance on the holdout data for the multi-labelling task with sensitivity=0.990, specificity=0.999, F1=0.990 at the segments level, and an overall accuracy=0.969 at the patient's recording level.

研究动机与目标

• 推动自动心音诊断超越单标签分类。
• 开发覆盖多样标签组（时相、音调、分级、质量、形态）的多标签框架。
• 在保留数据上展示以临床相关指标衡量的性能。

提出的方法

• 使用集成深度学习架构执行心音多标签标注。
• 模型设计为从多个组中注释标签，包括杂音时相、音调、分级、质量和形态。
• 在保留数据上进行训练和评估，以证明对分段和患者记录的泛化性。

实验结果

研究问题

• RQ1 单一模型能否有效地同时预测多类心音标签？
• RQ2 所提出的集成在分段级和记录级的多标签心声任务上达到的性能是多少？
• RQ3 模型在时相、音调、分级、质量和形态等标签组上的表现如何？

主要发现

• 分段级敏感性：0.990。
• 分段级特异性：0.999。
• 分段级 F1：0.990。
• 患者记录级总体准确率：0.969。