文献

J-GLOBAL ID：202202234295547316   整理番号：22A1176709

弱教師付き深層学習を用いた一般化可能な拍動ごとの不整脈検出【JST・京大機械翻訳】

Generalizable Beat-by-Beat Arrhythmia Detection by Using Weakly Supervised Deep Learning

著者 (11件)： Liu Yang (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Li Qince (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Li Qince (2Peng Cheng Laboratory, Shenzhen, China) ,  He Runnan (2Peng Cheng Laboratory, Shenzhen, China) ,  Wang Kuanquan (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Liu Jun (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Yuan Yongfeng (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Xia Yong (1School of Computer Science and Technology, Harbin Institute of Technology (HIT), Harbin, China) ,  Zhang Henggui (2Peng Cheng Laboratory, Shenzhen, China) ,  Zhang Henggui (3School of Physics and Astronomy, The University of Manchester, Manchester, United Kingdom) ,  Zhang Henggui (4Key Laboratory of Medical Electrophysiology of Ministry of Education and Medical Electrophysiological Key Laboratory of Sichuan Province, Institute of Cardiovascular Research, Southwest Medical University, Luzhou, China)
資料名： Frontiers in Physiology (Web)  (Frontiers in Physiology (Web))
巻： 13  ページ： 850951  発行年： 2022年 
JST資料番号： U7093A  ISSN： 1664-042X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 携帯型心電図(ECG)モニタリングにおけるビート-バイ-ビート不整脈検出は,心臓不整脈の評価と予後に重要であるが,しかし,それは,高度に専門的な要求と時間のかかる作業である。自動ビート毎の不整脈検出に対する現在の方法は,モデル訓練のための大規模サンプルと微細注釈(ラベルが各ビート)ECGデータの欠如のため,貧弱な一般化能力に悩まされる。本研究では,一般化能力を改善するために,大量の粗い注釈付きECGデータ(ラベルが各記録に与えられる)を用いて,微細粒(ビートごとの)不整脈検出器を訓練できる,不整脈検出(WSDL-AD)のための弱教師つき深層学習フレームワークを提案した。このフレームワークにおいて,心拍分類と記録分類を,記録ラベルのみによるエンドツーエンド訓練のための深層ニューラルネットワークに統合した。知識ベースの特徴,マスクされた凝集,および教師つき事前訓練を含むいくつかの技法を提案し,弱い監視の下で心拍分類の精度と安定性を改善した。開発されたWSDL-ADモデルを,5つの大規模サンプルと粗注釈データセットで心室異所性拍動(VEB)と上室異所性拍動(SVEB)の検出のために訓練し,そして,モデル性能を,医療機器(AAMI)のアドバンスのための協会からの推奨に従って,3つの独立したベンチマークに関して評価した。実験結果は,著者らの方法が,監督学習の最先端の方法と比較して,ベンチマークに関して,8%~290%の上室異所性拍動検出のF_1スコアと,4%~11%の心室異所性拍動検出のF_1スコアを改善することを示した。それは,WSDL-ADフレームワークが,微細な検出粒度を保持しながら,以前の方法より良い一般化能力を達成するために,豊富な粗ラベル化データを活用することができることを証明した。したがって,このフレームワークは,臨床および遠隔健康応用に使用される大きな可能性を有する。ソースコードは,利用可能である。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  心電図 ,  心室 ,  *心拍 ,  *不整脈 ,  エンドツーエンド方式 ,  モデル ,  臨床医学 ,  予後 ,  知識ベース ,  ベンチマーク ,  *機械学習 ,  アノテーション
準シソーラス用語： 異所性心拍 ,  ソースコード ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 心臓不整脈 ,  心電図 ,  心拍分類 ,  弱教師つき学習 ,  一般化能力

分類 (2件)： 生体計測  (EL03020C) ,  循環系の診断  (GJ02000V)

引用文献 (57件)：

• AAMI (2012). “"Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms,"” in ANSI/AAMI EC57. Association for the Advancement of Medical Instrumentation.
• BamanT. S., LangeD. C., IlgK. J., GuptaS. K., LiuT.-Y., AlguireC., et al (2010). Relationship between burden of Premature Ventricular Complexes and Left Ventricular Function. Heart Rhythm 7 (7), 865-869. doi: 10.1016/j.hrthm.2010.03.036
• BiniciZ., IntzilakisT., NielsenO. W., KøberL., SajadiehA. (2010). Excessive Supraventricular Ectopic Activity and Increased Risk of Atrial Fibrillation and Stroke. Circulation 121 (13), 1904-1911. doi: 10.1161/CIR.0b013e3181f3321810.1161/CIRCULATIONAHA.109.874982
• BorianiG., GlotzerT. V., SantiniM., WestT. M., De MelisM., SepsiM., et al (2014). Device-detected Atrial Fibrillation and Risk for Stroke: an Analysis of >10 000 Patients from the SOS AF Project (Stroke preventiOn Strategies Based on Atrial Fibrillation Information from Implanted Devices). Eur. Heart J. 35 (8), 508-516. doi: 10.1093/eurheartj/eht491
• ChenZ. (2003). Assessing Sequence Comparison Methods with the Average Precision Criterion. Bioinformatics 19 (18), 2456-2460. doi: 10.1093/bioinformatics/btg349

タイトルに関連する用語 (5件)： 教師 ,  深層学習 ,  一般化 ,  拍動 ,  不整脈