[论文解读] ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction

Nathan T. Riek, Murat Akçakaya+11 more|arXiv (Cornell University)|May 8, 2024

ECG Monitoring and AnalysisMedicine被引用 3

一句话总结

ECG-SMART-NET 是一种深度学习架构，通过在修改后的 ResNet-18 中引入 1×k 和 12×1 卷积核，结合时间与空间特征学习，提升了 12 导联 ECG 中心肌梗塞闭塞（OMI）的检测能力。在包含 10,393 份 ECG 的真实世界多中心数据集中，其测试 AUC 达到 0.953，优于 ResNet-18 和最先进的随机森林模型。

ABSTRACT

Objective: In this paper we develop and evaluate ECG-SMART-NET for occlusion myocardial infarction (OMI) identification. OMI is a severe form of heart attack characterized by complete blockage of one or more coronary arteries requiring immediate referral for cardiac catheterization to restore blood flow to the heart. Two thirds of OMI cases are difficult to visually identify from a 12-lead electrocardiogram (ECG) and can be potentially fatal if not identified quickly. Previous works on this topic are scarce, and current state-of-the-art evidence suggests both feature-based random forests and convolutional neural networks (CNNs) are promising approaches to improve ECG detection of OMI. Methods: While the ResNet architecture has been adapted for use with ECG recordings, it is not ideally suited to capture informative temporal features within each lead and the spatial concordance or discordance across leads. We propose a clinically informed modification of the ResNet-18 architecture. The model first learns temporal features through temporal convolutional layers with 1xk kernels followed by a spatial convolutional layer, after the residual blocks, with 12x1 kernels to learn spatial features. Results: ECG-SMART-NET was benchmarked against the original ResNet-18 and other state-of-the-art models on a multisite real-word clinical dataset that consists of 10,393 ECGs from 7,397 unique patients (rate of OMI =7.2%). ECG-SMART-NET outperformed other models in the classification of OMI with a test AUC of 0.953 [0.921, 0.978]. Conclusion and Significance: ECG-SMART-NET can outperform the state-of-the-art random forest for OMI prediction and is better suited for this task than the original ResNet-18 architecture.

研究动机与目标

• 为解决临床中 12 导联 ECG 中心肌梗塞闭塞（OMI）检测的挑战，因模式细微或非特异而有三分之二的病例被漏诊。
• 开发一种深度学习模型，更有效地捕捉单个 ECG 导联内的时序动态以及导联之间的空间关系，优于标准架构。
• 在真实世界临床 ECG 数据中，超越现有最先进模型（包括 ResNet-18 和随机森林分类器）在 OMI 诊断中的表现。
• 构建一种临床启发的神经网络架构，以改善 OMI 的早期检测，这是一种需要紧急再灌注治疗的危及生命状况。

提出的方法

• 该模型为修改后的 ResNet-18 架构，在残差模块前引入使用 1×k 卷积核的时间卷积层，用于从每个 ECG 导联中提取时间特征。
• 在残差模块之后，应用一个使用 12×1 卷积核的空间卷积层，以学习 12 个导联之间的导联间空间一致性或不一致性。
• 该架构保留了 ResNet-18 的残差学习框架，同时引入了针对 ECG 信号结构量身定制的专用卷积操作。
• 模型在包含 10,393 份 ECG 的多中心临床数据集上进行端到端训练，数据来自 7,397 名独立患者，OMI 患病率为 7.2%。
• 性能通过受试者工作特征曲线下面积（AUC）进行评估，并与基线模型（包括原始 ResNet-18 和最先进的随机森林分类器）进行比较。

实验结果

研究问题

• RQ1 是否一种显式建模 ECG 中时间与空间特征的深度学习模型，相比标准架构能提升 OMI 检测的准确性？
• RQ2 是否一种基于临床启发的、采用专用 1×k 和 12×1 卷积的 ResNet-18 改进模型，能在 OMI 分类任务中超越原始 ResNet-18？
• RQ3 ECG-SMART-NET 在真实世界临床 ECG 数据中检测 OMI 的表现，与最先进的模型（如随机森林和标准 CNN）相比如何？
• RQ4 时间特征学习与空间特征学习组件在提升诊断性能方面，其独立贡献与协同作用分别有多大？

主要发现

• ECG-SMART-NET 在包含 10,393 份 ECG 的多中心临床数据集中，测试 AUC 达到 0.953（95% 置信区间：0.921–0.978），在 OMI 检测中表现出优越性能。
• 该模型在 AUC 和诊断准确性方面显著优于用作基线的原始 ResNet-18 架构。
• ECG-SMART-NET 的表现超越了此前被视为 OMI 检测强基准的最先进随机森林模型。
• 1×k 时间卷积与 12×1 空间卷积的结合，使模型能够有效捕捉导联特异性动态以及对 OMI 诊断至关重要的导联间模式。