[论文解读] Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG

Deepta Rajan, David Beymer+1 more|arXiv (Cornell University)|Jan 5, 2019

ECG Monitoring and Analysis参考文献 9被引用 5

一句话总结

该论文提出ResNet++，一种混合深度学习模型，结合无监督生成建模与判别性1D ResNet，以提升在有限导联心电图（ECG）上进行心脏病检测的泛化能力。通过从完整的12导联ECG数据中学习潜在表征以重建缺失导联，ResNet++在未见心脏病况下的F1得分相比标准ResNet提高了2–11%，即使在小样本且类别不平衡的数据集上亦表现优异。

ABSTRACT

Acceleration of machine learning research in healthcare is challenged by lack of large annotated and balanced datasets. Furthermore, dealing with measurement inaccuracies and exploiting unsupervised data are considered to be central to improving existing solutions. In particular, a primary objective in predictive modeling is to generalize well to both unseen variations within the observed classes, and unseen classes. In this work, we consider such a challenging problem in machine learning driven diagnosis: detecting a gamut of cardiovascular conditions (e.g. infarction, dysrhythmia etc.) from limited channel ECG measurements. Though deep neural networks have achieved unprecedented success in predictive modeling, they rely solely on discriminative models that can generalize poorly to unseen classes. We argue that unsupervised learning can be utilized to construct effective latent spaces that facilitate better generalization. This work extensively compares the generalization of our proposed approach against a state-of-the-art deep learning solution. Our results show significant improvements in F1-scores.

研究动机与目标

• 解决在小样本、类别不平衡且导联有限的心电图数据上训练时，深度学习模型在心脏病检测中泛化能力差的挑战。
• 提升模型对分布外样本的鲁棒性，并降低在低数据环境下对超参数调优的敏感性。
• 通过无监督表征学习，实现仅用1–3个导联有效推断完整12导联ECG模式。
• 证明将生成建模与判别性分类相结合，可提升模型在训练类别之外多种心脏病理情况下的泛化能力。

提出的方法

• 使用带有GRU层的序列到序列（Seq2Seq）自编码器，从完整12导联心电图信号中学习紧凑的潜在表征，以实现缺失导联的重建。
• 在完整导联心电图数据上训练无监督生成模型，以隐式学习正常与异常心电图模式的结构。
• 构建一个编码ECG导联间有意义共享特征的潜在空间，从而促进对未见导联配置的有效泛化。
• 利用带有7个卷积层的1D ResNet对学习到的潜在特征进行微调，实现对有限导联输入的端到端疾病分类。
• 在预训练阶段利用未标注的完整导联心电图数据，以提升表征质量，而无需人工标注。
• 使用交叉熵损失函数与Adam优化器、批量大小为32，训练判别性分类头。

实验结果

研究问题

• RQ1 当仅能获取部分心电图导联时，无监督生成建模是否能提升深度学习模型在心脏病检测中的泛化能力？
• RQ2 与标准ResNet相比，所提出的ResNet++模型在分布外心脏病况（如前壁心肌梗死、束支传导阻滞、心律失常）上的表现如何？
• RQ3 在未标注的完整导联心电图数据上进行预训练，在多大程度上增强了模型的鲁棒性并降低了对超参数设置的敏感性？
• RQ4 在导联间学习共享潜在空间，是否能提升模型推断缺失导联信息及在多种心脏病理情况下的泛化能力？

主要发现

• ResNet++在泛化到未见心脏病况（如前壁心肌梗死、后壁心肌梗死、束支传导阻滞、心律失常）时，F1得分提高了2–11%。
• 该模型对分布外样本表现出显著更强的鲁棒性，即使在测试集包含训练集中未出现的疾病时，仍保持高性能。
• ResNet++对超参数设置的敏感性显著降低，尤其在小样本且类别不平衡的数据环境中。
• 无监督预训练阶段有效利用了未标注的完整导联心电图数据，构建了有意义的潜在空间，从而增强了下游分类性能。
• 潜在表征实现了缺失心电图导联的隐式补全，使模型仅凭3个导联即可推断出完整的12导联模式。
• 在PhysioNet PTB数据集上，ResNet++在所有评估指标上均优于标准ResNet，尤其在少数类疾病的召回率和F1得分上表现更优。