Conditional Electrocardiogram Generation Using Hierarchical Variational Autoencoders

要約

心血管疾患（CVD）は、心臓と循環系に影響を与える障害です。
これらの障害は、世界中の死亡の原因と継続的に継続的にエスカレートする原因です。
CVDを操作する際の主なタスクの1つは、標準の10秒の期間で12鉛の心電図（ECG）の病理を分析および特定することです。
自動ECG分析で機械学習（ML）を使用すると、CVD診断の可用性、速度、精度が向上します。
ただし、MLモデルの開発における最も重要な難易度は、十分なトレーニングデータセットを取得することです。
高価、エラー、ラベルの曖昧さ、クラスの不均衡、プライバシーの問題など、医療データの使用の制限により、特定の病理に応じて合成サンプルを利用して、これらの制限をバイパスし、アルゴリズムの品質を向上させます。
ECGシグナルの条件付きソリューションは、主に生成的敵対ネットワーク（GANS）に基づいて構築されており、変分自動エンコーダー（VAE）に基づくアーキテクチャを考慮している論文は、最近の作品で同等の結果を示しています。
このペーパーでは、複数の病理を備えた高解像度ECGを生成するECG信号生成（CNVAE-ECG）の公開されている条件付きヌーボーvaeモデルを提案します。
レシーバー動作特性（AUROC）の下の領域がGANのような競合他社を上回る最大2％を超える領域を示す転送学習シナリオなど、さまざまな実用的な下流タスクで提案されたモデルの広範な比較を提供します。

要約(オリジナル)

Cardiovascular diseases (CVDs) are disorders impacting the heart and circulatory system. These disorders are the foremost and continuously escalating cause of mortality worldwide. One of the main tasks when working with CVDs is analyzing and identifying pathologies on a 12-lead electrocardiogram (ECG) with a standard 10-second duration. Using machine learning (ML) in automatic ECG analysis increases CVD diagnostics’ availability, speed, and accuracy. However, the most significant difficulty in developing ML models is obtaining a sufficient training dataset. Due to the limitations of medical data usage, such as expensiveness, errors, the ambiguity of labels, imbalance of classes, and privacy issues, utilizing synthetic samples depending on specific pathologies bypasses these restrictions and improves algorithm quality. Existing solutions for the conditional generation of ECG signals are mainly built on Generative Adversarial Networks (GANs), and only a few papers consider the architectures based on Variational Autoencoders (VAEs), showing comparable results in recent works. This paper proposes the publicly available conditional Nouveau VAE model for ECG signal generation (cNVAE-ECG), which produces high-resolution ECGs with multiple pathologies. We provide an extensive comparison of the proposed model on various practical downstream tasks, including transfer learning scenarios showing an area under the receiver operating characteristic (AUROC) increase up to 2% surpassing GAN-like competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google