Benchmarking the Impact of Noise on Deep Learning-based Classification of Atrial Fibrillation in 12-Lead ECG

要約

心電図解析はさまざまな臨床応用で広く使用されており、現在、分類タスクのディープ ラーニング モデルが研究の焦点となっています。
データ駆動型の特性により、信号ノイズを効率的に処理できる可能性がありますが、これらの方法の精度への影響はまだ不明です。
したがって、12 誘導心電図で心房細動を検出するための深層学習ベースの方法の精度に対する 4 種類のノイズの影響をベンチマークします。
公的に入手可能なデータセット (PTBXL) のサブセットを使用し、各心電図に信号品質を割り当てるためのノイズに関して人間の専門家によって提供されたメタデータを使用します。
さらに、各心電図の定量的な信号対雑音比を計算します。
両方のメトリックに関してディープ ラーニング モデルの精度を分析し、信号が複数のリードでノイズがあると人間の専門家によってラベル付けされた場合でも、この方法が心房細動を確実に識別できることを観察します。
偽陽性率と偽陰性率は、ノイズがあるとラベル付けされたデータのほうがわずかに悪くなります。
興味深いことに、ベースライン ドリフト ノイズを示すと注釈が付けられたデータは、そうでないデータと非常によく似た精度になります。
ノイズの多い心電図データの処理の問題は、多くの従来の方法のように前処理を必要としない可能性のあるディープラーニング方法によってうまく対処できると結論付けています。

要約(オリジナル)

Electrocardiography analysis is widely used in various clinical applications and Deep Learning models for classification tasks are currently in the focus of research. Due to their data-driven character, they bear the potential to handle signal noise efficiently, but its influence on the accuracy of these methods is still unclear. Therefore, we benchmark the influence of four types of noise on the accuracy of a Deep Learning-based method for atrial fibrillation detection in 12-lead electrocardiograms. We use a subset of a publicly available dataset (PTBXL) and use the metadata provided by human experts regarding noise for assigning a signal quality to each electrocardiogram. Furthermore, we compute a quantitative signal-to-noise ratio for each electrocardiogram. We analyze the accuracy of the Deep Learning model with respect to both metrics and observe that the method can robustly identify atrial fibrillation, even in cases signals are labelled by human experts as being noisy on multiple leads. False positive and false negative rates are slightly worse for data being labelled as noisy. Interestingly, data annotated as showing baseline drift noise results in an accuracy very similar to data without. We conclude that the issue of processing noisy electrocardiography data can be addressed successfully by Deep Learning methods that might not need preprocessing as many conventional methods do.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google