Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis

要約

現在のコンピュータ支援 ECG 診断システムは、ECG データセットの不均衡な性質により、まれではあるが重大な心臓異常が検出されにくいという問題に直面しています。
この研究では、この制限に対処するために、自己監視型異常検出の事前トレーニングを使用した新しいアプローチを紹介します。
異常検出モデルは、正常な心臓パターンからの微妙な逸脱を検出して特定するように特別に設計されており、正確な ECG 解釈に不可欠な微妙な詳細を捕捉します。
116 の異なるカテゴリにわたるロングテール分布を特徴とする、臨床現場での 100 万件を超える ECG 記録の広範なデータセットで検証されたこの異常検出事前トレーニング ECG 診断モデルは、全体的な精度の大幅な向上を実証しました。
特に、私たちのアプローチは、まれな ECG タイプに対して 94.7% の AUROC、92.2% の感度、および 92.5% の特異度をもたらし、従来の方法を大幅に上回り、一般的な ECG タイプとのパフォーマンスの差を狭めました。
異常検出の事前トレーニングを ECG 分析に統合することは、臨床診断におけるロングテール データ配信という長年の課題に対処するため、この分野に大きく貢献することになります。
さらに、現実の臨床現場での前向き検証により、当社の AI 主導のアプローチは、標準的な診療と比較して、診断の効率、精度、完全性がそれぞれ 32%、6.7%、11.8% 向上することが明らかになりました。
この進歩は、臨床心臓学における AI の統合における極めて重要な前進を示し、迅速かつ正確な ECG 解釈が重要である救急医療に特に重大な影響を及ぼします。
この研究の貢献は、現在の ECG 診断能力の限界を押し上げるだけでなく、より信頼性が高くアクセスしやすい心臓血管ケアの基礎を築くものでもあります。

要約(オリジナル)

Current computer-aided ECG diagnostic systems struggle with the underdetection of rare but critical cardiac anomalies due to the imbalanced nature of ECG datasets. This study introduces a novel approach using self-supervised anomaly detection pretraining to address this limitation. The anomaly detection model is specifically designed to detect and localize subtle deviations from normal cardiac patterns, capturing the nuanced details essential for accurate ECG interpretation. Validated on an extensive dataset of over one million ECG records from clinical practice, characterized by a long-tail distribution across 116 distinct categories, the anomaly detection-pretrained ECG diagnostic model has demonstrated a significant improvement in overall accuracy. Notably, our approach yielded a 94.7% AUROC, 92.2% sensitivity, and 92.5\% specificity for rare ECG types, significantly outperforming traditional methods and narrowing the performance gap with common ECG types. The integration of anomaly detection pretraining into ECG analysis represents a substantial contribution to the field, addressing the long-standing challenge of long-tail data distributions in clinical diagnostics. Furthermore, prospective validation in real-world clinical settings revealed that our AI-driven approach enhances diagnostic efficiency, precision, and completeness by 32%, 6.7%, and 11.8% respectively, when compared to standard practices. This advancement marks a pivotal step forward in the integration of AI within clinical cardiology, with particularly profound implications for emergency care, where rapid and accurate ECG interpretation is crucial. The contributions of this study not only push the boundaries of current ECG diagnostic capabilities but also lay the groundwork for more reliable and accessible cardiovascular care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google