Large Language Model-informed ECG Dual Attention Network for Heart Failure Risk Prediction

要約

心不全（HF）は世界的な死亡率の上昇に伴い、公衆衛生上の重大な課題を引き起こしています。
HF を早期に発見して予防すれば、その影響を大幅に軽減できる可能性があります。
12 誘導心電図 (ECG) を使用して HF リスクを予測するための新しい方法論を紹介します。
我々は、低リスク群と高リスク群の間の顕著な不均衡にもかかわらず、早期の心不全リスク予測に不可欠な複雑なECG特徴を捕捉するように設計された、新規で軽量な二重注意ECGネットワ​​ークを紹介する。
このネットワークには、リード間の相互作用と各リードの局所的なダイナミクスに焦点を当てた、リード間注意モジュールと 12 リード固有の時間的注意モジュールが組み込まれています。
モデルの過剰適合をさらに軽減するために、ECG レポート調整タスクの事前トレーニングに公開 ECG レポート データセットを備えた大規模言語モデル (LLM) を活用します。
次にネットワークは、高血圧患者 (UKB-HYP) と心筋梗塞患者 (UKB-MI) に焦点を当てた英国バイオバンク研究の 2 つの特定コホートを使用して、HF リスク予測用に微調整されます。その結果、LLM が次のことを明らかにしました。
情報に基づいた事前トレーニングは、これらのコホートにおける心不全リスク予測を大幅に強化します。
デュアルアテンション設計により、解釈可能性だけでなく予測精度も向上し、C インデックス スコアが UKB-HYP で 0.6349、UKB-MI で 0.5805 と既存の競合手法を上回りました。
これは、複雑な臨床 ECG データを使用した HF リスク評価の進歩における私たちの方法の可能性を示しています。

要約(オリジナル)

Heart failure (HF) poses a significant public health challenge, with a rising global mortality rate. Early detection and prevention of HF could significantly reduce its impact. We introduce a novel methodology for predicting HF risk using 12-lead electrocardiograms (ECGs). We present a novel, lightweight dual-attention ECG network designed to capture complex ECG features essential for early HF risk prediction, despite the notable imbalance between low and high-risk groups. This network incorporates a cross-lead attention module and twelve lead-specific temporal attention modules, focusing on cross-lead interactions and each lead’s local dynamics. To further alleviate model overfitting, we leverage a large language model (LLM) with a public ECG-Report dataset for pretraining on an ECG-report alignment task. The network is then fine-tuned for HF risk prediction using two specific cohorts from the UK Biobank study, focusing on patients with hypertension (UKB-HYP) and those who have had a myocardial infarction (UKB-MI).The results reveal that LLM-informed pre-training substantially enhances HF risk prediction in these cohorts. The dual-attention design not only improves interpretability but also predictive accuracy, outperforming existing competitive methods with C-index scores of 0.6349 for UKB-HYP and 0.5805 for UKB-MI. This demonstrates our method’s potential in advancing HF risk assessment with clinical complex ECG data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google