[论文解读] Multiple Instance Learning for ECG Risk Stratification

Divya Shanmugam, Davis Blalock+1 more|arXiv (Cornell University)|Oct 28, 2019

ECG Monitoring and Analysis被引用 1

一句话总结

本文提出一种多实例学习（MIL）框架，利用原始心电图（ECG）信号预测急性冠状动脉综合征后30至365天内的心血管死亡风险。通过将每位患者的心电图建模为心跳的‘袋’，并直接从原始数据学习风险评分，该方法在5,000例患者的队列中优于现有临床指标，有效缓解了类别不平衡问题，并实现了端到端的表征学习。

ABSTRACT

Patients who suffer an acute coronary syndrome are at elevated risk for adverse cardiovascular events such as myocardial infarction and cardiovascular death. Accurate assessment of this risk is crucial to their course of care. We focus on estimating a patient's risk of cardiovascular death after an acute coronary syndrome based on a patient's raw electrocardiogram (ECG) signal. Learning from this signal is challenging for two reasons: 1) positive examples signifying a downstream cardiovascular event are scarce, causing drastic class imbalance, and 2) each patient's ECG signal consists of thousands of heartbeats, accompanied by a single label for the downstream outcome. Machine learning has been previously applied to this task, but most approaches rely on hand-crafted features and domain knowledge. We propose a method that learns a representation from the raw ECG signal by using a multiple instance learning framework. We present a learned risk score for cardiovascular death that outperforms existing risk metrics in predicting cardiovascular death within 30, 60, 90, and 365 days on a dataset of 5000 patients.

研究动机与目标

• 利用原始ECG信号改进急性冠状动脉综合征后心血管死亡的风险分层。
• 解决心血管死亡事件罕见所导致的极端类别不平衡问题。
• 直接从原始ECG数据中学习有意义的表征，无需依赖人工设计的特征。
• 开发一种利用ECG数据中‘心跳袋’结构的模型，其中每位患者为一个‘袋’，每个心跳为一个弱标签实例。
• 在预测短期和长期心血管死亡方面超越现有临床风险评分。

提出的方法

• 该方法将ECG风险预测建模为多实例学习（MIL）问题，其中每位患者被视为一个‘袋’，其心跳为实例，最终结果标签（死亡或未死亡）适用于整个袋。
• 训练一个深度神经网络，从原始ECG心跳中学习表征，最终预测基于袋内实例预测结果的聚合。
• 模型采用MIL损失函数，鼓励基于至少一个正例实例（高风险心跳）正确分类袋。
• 该框架在原始ECG信号上进行端到端训练，避免了人工特征工程。
• 为每位患者生成一个学习到的风险评分，并在30、60、90和365天的预测结果上评估其性能。

实验结果

研究问题

• RQ1 多实例学习框架能否有效从原始ECG信号中学习，以预测急性冠状动脉综合征后的心血管死亡？
• RQ2 从原始ECG心跳中进行端到端表征学习是否优于传统的手工特征方法？
• RQ3 与现有临床风险评分相比，该方法在预测短期和长期心血管死亡方面的表现如何？
• RQ4 MIL在罕见不良事件预测中在多大程度上能缓解类别不平衡的影响？

主要发现

• 所提出的基于MIL的方法在预测30、60、90和365天心血管死亡方面，性能优于现有临床风险指标。
• 该模型直接从原始ECG信号中学习到有意义的风险评分，无需领域特定的特征工程。
• 该方法有效处理了急性冠状动脉综合征结局中极端的类别不平衡问题。
• 学习到的表征捕捉到了与后续心血管死亡相关的ECG心跳中具有判别性的模式。