[论文解读] DeepHeart: Semi-Supervised Sequence Learning for Cardiovascular Risk Prediction

Brandon Ballinger, Johnson Hsieh+9 more|arXiv (Cornell University)|Feb 7, 2018

Non-Invasive Vital Sign Monitoring被引用 28

一句话总结

DeepHeart 提出了一种半监督、多任务的LSTM模型，利用来自14,011名参与者的57,675人周未标记可穿戴心率数据，以高精度预测糖尿病、高血压、高胆固醇和睡眠呼吸暂停等心血管风险因素——其性能优于医学文献中传统生物标志物，采用两种新型训练方法：半监督序列学习和启发式预训练。

ABSTRACT

We train and validate a semi-supervised, multi-task LSTM on 57,675 person-weeks of data from off-the-shelf wearable heart rate sensors, showing high accuracy at detecting multiple medical conditions, including diabetes (0.8451), high cholesterol (0.7441), high blood pressure (0.8086), and sleep apnea (0.8298). We compare two semi-supervised train- ing methods, semi-supervised sequence learning and heuristic pretraining, and show they outperform hand-engineered biomarkers from the medical literature. We believe our work suggests a new approach to patient risk stratification based on cardiovascular risk scores derived from popular wearables such as Fitbit, Apple Watch, or Android Wear.

研究动机与目标

• 开发一种可扩展、低成本的方法，利用消费级可穿戴传感器早期检测未确诊的心血管风险因素。
• 通过利用大量未标记的传感器数据，解决可穿戴健康应用中标签医学数据稀缺的问题。
• 比较并评估两种半监督训练策略——半监督序列学习和启发式预训练——在改善罕见或漏诊疾病模型性能方面的效果。
• 证明基于真实世界可穿戴数据训练的深度学习模型，可实现与现有临床生物标志物相当或更优的诊断准确性。
• 为基于移动设备的、面向外部的动态筛查系统奠定基础，以指导患者及时接受临床诊疗，减轻未确诊疾病负担。

提出的方法

• 使用可穿戴设备的原始多通道时间序列数据（包括心率和步数）训练一个多任务深度LSTM架构，数据以时间差特征编码为张量。
• 采用两种半监督训练方法：(1) 半监督序列学习，其中LSTM首先作为序列自编码器进行预训练，然后在标记数据上微调；(2) 启发式预训练，其中网络被初始化以从文献中学习已知的医学生物标志物（如心率变异性）。
• 应用时间差编码以处理可变采样间隔：$ dt_{transformed} = 0.1 \log\left(\frac{dt}{5000}\right) $，通过归一化广泛变化的测量间隔来稳定训练。
• 在四个条件上评估模型：糖尿病、高胆固醇、高血压和睡眠呼吸暂停，每个条件均使用独立的训练/验证/测试划分。
• 使用AUC（受试者工作特征曲线下面积）衡量性能，并与医学文献中的手工设计生物标志物进行比较。
• 该框架通过建模每位参与者最多接近一百万时间步长的长期生理监测，支持长期生理监测，未来可扩展至Clockwork RNN等架构以捕捉长程依赖关系。

实验结果

研究问题

• RQ1 在未标记的可穿戴传感器数据上使用半监督深度学习，是否能实现比传统手工设计的临床生物标志物更高的心血管风险因素诊断准确性？
• RQ2 与自监督自编码相比，基于已知生理生物标志物的预训练（启发式预训练）是否能提升下游诊断性能？
• RQ3 一个单一的深度学习模型是否能仅利用消费级可穿戴设备的静息心率和步数，有效预测多种多样的心血管风险状况？
• RQ4 该模型在低患病率且诊断延迟高的疾病（如糖尿病和睡眠呼吸暂停）上的表现如何？
• RQ5 使用此类模型的基于移动设备、面向外部的筛查系统，是否能降低未确诊疾病负担，同时保持高精确度和安全性？

主要发现

• 半监督序列学习方法在糖尿病预测中达到AUC 0.8451，优于医学文献中的手工设计生物标志物。
• 在高胆固醇预测中，模型达到AUC 0.7441，表明即使在标签数据有限的情况下也具有强大的预测能力。
• 在高血压预测中，AUC达到0.8086；在睡眠呼吸暂停预测中，AUC达到0.8298，表明对与这些疾病相关的生理变化具有高度敏感性。
• 两种半监督训练方法——序列学习和启发式预训练——在检测四种目标疾病方面，均显著优于传统生物标志物基线。
• 模型在多种生理状态（包括运动、睡眠、压力和疾病状态）下表现稳健，这由真实世界可穿戴数据所证实。
• 本研究证明，当与半监督深度学习结合时，消费级可穿戴设备可实现可扩展、低成本的心血管风险筛查，且无需依赖传统临床环境。