[论文解读] Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review

Shenda Hong, Yuxi Zhou+3 more|arXiv (Cornell University)|Dec 28, 2019

ECG Monitoring and Analysis参考文献 178被引用 24

一句话总结

本篇系统性综述分析了2010至2020年间191项关于心电图（ECG）数据的深度学习研究，评估了模型架构、任务类型及数据特征在疾病检测、心律失常分类和生物特征识别中的应用。研究发现，结合专家特征的混合CNN-RNN集成模型实现了最先进性能，同时指出了未来研究在可解释性、可扩展性和数据效率方面面临的挑战。

ABSTRACT

Background:The electrocardiogram (ECG) is one of the most commonly used diagnostic tools in medicine and healthcare. Deep learning methods have achieved promising results on predictive healthcare tasks using ECG signals. Objective:This paper presents a systematic review of deep learning methods for ECG data from both modeling and application perspectives. Methods:We extracted papers that applied deep learning (deep neural network) models to ECG data that were published between Jan. 1st of 2010 and Feb. 29th of 2020 from Google Scholar, PubMed, and the DBLP. We then analyzed each article according to three factors: tasks, models, and data. Finally, we discuss open challenges and unsolved problems in this area. Results: The total number of papers extracted was 191. Among these papers, 108 were published after 2019. Different deep learning architectures have been used in various ECG analytics tasks, such as disease detection/classification, annotation/localization, sleep staging, biometric human identification, and denoising. Conclusion: The number of works on deep learning for ECG data has grown explosively in recent years. Such works have achieved accuracy comparable to that of traditional feature-based approaches and ensembles of multiple approaches can achieve even better results. Specifically, we found that a hybrid architecture of a convolutional neural network and recurrent neural network ensemble using expert features yields the best results. However, there are some new challenges and problems related to interpretability, scalability, and efficiency that must be addressed. Furthermore, it is also worth investigating new applications from the perspectives of datasets and methods. Significance: This paper summarizes existing deep learning research using ECG data from multiple perspectives and highlights existing challenges and problems to identify potential future research directions.

研究动机与目标

• 系统评估深度学习在心电图数据分析中的建模与应用维度应用。
• 识别在心电图任务（如心律失常检测和睡眠阶段划分）中占主导地位的深度学习架构及其性能表现。
• 分析数据特征、模型设计与任务特定性能，以评估当前技术水平。
• 突出深度学习在心电图应用中可解释性、可扩展性与效率方面存在的开放性挑战。
• 识别未来心电图驱动的医疗人工智能发展中的新兴应用与研究空白。

提出的方法

• 自2010年1月至2020年2月，通过预定义的关键词（与心电图和深度学习相关）在Google Scholar、PubMed和DBLP中开展系统性文献检索。
• 提取并分析了191篇将深度神经网络（DNNs）应用于心电图数据的研究，重点关注任务、模型与数据特征。
• 根据应用任务对研究进行分类：疾病检测/分类、标注/定位、睡眠阶段划分、生物特征识别以及去噪。
• 评估了包括卷积神经网络（CNNs）、循环神经网络（RNNs）、长短期记忆网络（LSTMs）、自编码器和混合模型（如CNN-LSTM集成）在内的模型架构。
• 通过报告的指标（如准确率、F1值和AUC）评估性能，特别比较了端到端DNN模型与基于专家特征的模型。
• 综合研究发现，以识别趋势、表现最佳的架构以及在可解释性、数据效率与模型泛化方面尚未解决的挑战。

实验结果

研究问题

• RQ1 在心律失常检测与心肌梗死定位等不同心电图分析任务中，哪些深度学习架构最为有效？
• RQ2 端到端深度学习模型在性能上与传统基于专家特征的方法相比如何？
• RQ3 近期心电图深度学习研究中最常见的数据来源、预处理技术与评估指标是什么？
• RQ4 在可解释性、可扩展性与模型效率方面，哪些关键挑战阻碍了深度学习在心电图分析中的临床部署？
• RQ5 除诊断之外，诸如生物特征识别与睡眠阶段划分等新型应用在心电图深度学习中正如何发展？

主要发现

• 共识别出191项研究，其中108项发表于2019年后，表明心电图分析中深度学习的快速发展。
• 结合卷积神经网络（CNNs）与循环神经网络（RNNs）的混合架构，尤其是融合专家特征的模型，在心电图分类任务中表现最佳。
• 端到端深度学习模型在心律失常检测与心肌梗死定位任务中，性能与传统特征方法相当或更优。
• 自编码器与生成对抗网络（GANs）在数据增强与心电信号生成方面展现出潜力，但临床验证仍有限。
• 尽管性能优异，模型可解释性、数据效率以及在多样化人群中的泛化能力仍为临床采纳的主要障碍。
• 新兴应用如基于心电图的生物特征识别与睡眠阶段划分正在被探索，表明其在诊断分类之外具有更广泛的应用潜力。