技術要約：ECG不整脈分類に関する系統的レビュー

問題提起

心電図（ECG）信号の分類は、不整脈や心疾患の早期発見において極めて重要である。しかし、機械学習が進歩しているにもかかわらず、多くの文献が主要な標準化プロトコルを遵守できておらず、その結果、性能評価に一貫性がなくなり、実世界への適用性が制限されている。現在の研究の信頼性を損なう主な問題は以下の2点である：

1. 評価バイアス： 多くの研究が「患者内（intra-patient）」データ分割を利用しており、同一患者の心拍が訓練セットとテストセットの両方に現れている。この手法は、モデルが一般的な不整脈パターンを学習するのではなく、患者固有の特徴を記憶することを可能にするため、精度指標を不当に高めてしまう。
2. 組み込み実現性のギャップ： 多くの研究が分類精度を優先する一方で、リソース制約のある組み込みシステム（ペースメーカー、ホルター心電計、ウェアラブルパッチなど）へのモデル展開の実現性について評価していない。高い計算複雑性とメモリフットプリントにより、これらのモデルは低電力でリアルタイムな心臓モニタリングデバイスには不向きとなることが多い。

方法論

本研究では、2017年から2024年までに発表されたECG分類研究の系統的レビューを実施した。手法は厳格な多段階選択プロセスに従っている：

• データソース： Web of Scienceデータベースから、クエリ TS=("ECG classification" OR "arrhythmia detection") を用いて、初期データセットとして1,427本の論文を抽出した。
• フィルタリング基準：
  • インデックス： 高品質な査読済み研究を保証するため、Science Citation Index Expanded (SCI-EXPANDED) に限定した。
  • 期間： 2017年〜2024年。
  • 内容： タイトルと抄録を、不整脈またはECG分類に関連するかどうかでスクリーニングした。
  • 品質管理： 英語以外の論文、撤回された論文、重複論文、およびサーベイ論文（総説論文）を除外した。
• 選択戦略： 最終的な122本の論文は、以下の2つの基準に基づいて選定された：
  1. 引用インパクト： 最も引用されている70本の論文に加え、最近の高インパクトな研究を捉えるために、2022年、2023年、2024年のトップ10本の論文を追加した。
  2. 組み込み実現性： 軽量アーキテクチャ、量子化、プルーニング、FPGA実装、またはオンデバイス学習に焦点を当てていることを理由に、追加で22の研究を含めた。
• 評価フレームワーク (E3C)： 本レビューでは、研究を評価するために E3C (Embedded, Clinical, and Comparative Criteria) フレームワークを導入した。完全に適合していると見なされるためには、研究が以下を満たす必要がある：
  • MIT-BIH不整脈データベースおよび特定のビートクラス定義を含む AAMI (Association for the Advancement of Medical Instrumentation) の推奨事項を遵守していること。
  • 患者間のデータを訓練セットとテストセットの間で厳格に分離する 患者間パラダイム (Inter-Patient Paradigm) (De Chazalらによる提案) を実施していること。
  • 組み込み実現性 (Embedded Feasibility) を評価し、低電力ハードウェア（マイクロコントローラ、FPGAなど）におけるモデルの生存能力を示していること。

主な貢献

1. 決定的なギャップの特定： 本レビューは、分析された研究のうち、すべてのE3C基準を同時に満たしているのはわずか 4.1% (122件中5件) であることを明らかにしている。大多数の高インパクトな研究は、患者内評価に依存しているか、ハードウェアの制約に対処できていない。
2. 引用ネットワーク分析： 著者らは研究の影響力をマッピングし、患者間パラダイム（しばしば患者内分割を使用）に従わない研究が、歴史的に引用数において分野を支配しており、モデルの堅牢性に対する認識を歪めている可能性があることを指摘した。
3. 最先端 (SOTA) の特定： 本論文は、すべてのE3C基準を満たす5つの研究を特定し、それらの性能、エネルギー消費量、および推論時間の比較分析を提供している。
4. 最適化技術のレビュー： 本論文は、組み込み展開を可能にするための現在の手法を以下のように統合している：
   • プルーニング (Pruning)： モデルサイズを削減するために冗長な接続を削除する。
   • 量子化 (Quantization)： メモリと計算需要を下げるためにビット幅を削減する（例：32ビットから8ビットへ）。
   • 軽量アーキテクチャ： MobileNet、SqueezeNet、およびスパイキングニューラルネットワーク (SNN) などのモデルの活用。
   • FPGAアクセラレーション： 並列処理のために再構成可能なハードウェアを活用する。
   • オンデバイス学習： 外部での再学習なしに、患者固有の変動にリアルタイムでモデルを適応させる。

結果

• 遵守統計：
  • 55.7% の研究がAAMIガイドラインに従っていた。
  • 30.3% が患者間パラダイムに従っていた。
  • 78.7% がMIT-BIHデータベースを利用していた。
  • 31.1% が組み込み実現性を考慮していた。
  • すべてのE3C基準を満たしたのはわずか 4.1% であった。
• E3C準拠研究の性能： 特定された5つの研究は、堅牢で展開可能なECG分類の最前線を示している：
  • Faragら [15]： エッジデバイス向けに最適化されたマッチドフィルタベースの1D CNNを提案。最高平均精度 (98.18%) と最速の推論時間 (<1 ms) をRaspberry Pi上で達成し、モデルサイズは15 KBであった。マイノリティクラス（SVEBおよびVEB）に対して強い感度を示した。
  • Maoら [17]： 人工ニューラルネットワーク (ANN) とスパイキングニューラルネットワーク (SNN) を統合した超低エネルギープロセッサを開発。オンチップ学習機能を備えており、患者固有のキャリブレーションによって精度を93.67%から 97.36% へと向上させた。最も低いエネルギー消費量 (0.3 µJ/beat) と最小のモデルサイズ (8 KB) を実現した。
  • Yanら [16]： 推論用にSNNに変換された2段階CNNを利用し、高いエネルギー効率 (77 mW) を達成したが、精度は90%と中程度であった。
  • Xingら [18]： チャネル単位のアテンションメカニズムを備えたSNNをFPGA上に実装し、患者間評価下で92.07%の精度と低いレイテンシ (1.32 ms) を達成した。
  • RajおよびRay [31]： 離散直交ストックウェルト変換 (DOST) と最適化されたSVMを組み合わせ、患者間設定において86.89%の精度を達成した。
• トレードオフ： 分析は、精度と効率性の間のトレードオフを浮き彫りにしている。Faragらが優れた精度と速度を提供する一方で、Maoらは連続的なオンデバイス適応という独自の能力を備えた、最もエネルギー効率の高いソリューションを提供している。

意義と主張

本論文の主な意義は、ECG分類研究の焦点を、純粋な精度駆動型の指標から、臨床的に実行可能で実用的に展開可能なシステムへとシフトさせることにあると主張している。AAMI基準、患者間パラダイム、および組み込み制約を遵守する研究が極めて少ないことを強調することで、著者らは、現在の分野がバイアスのある評価プロトコルのためにモデルの性能を過大評価していると論じている。

本研究は、機械学習モデルが単に正確であるだけでなく、患者の変動に対して堅牢であり、かつリソース制約のある医療機器への展開が可能であることを保証するために、将来の研究は E3Cフレームワーク を優先すべきであると断言している。著者らは、公平な比較を促進し、信頼できるリアルタイム心臓モニタリングソリューションの開発を加速するために、すべての5つのAAMIビートクラスに対するクラス固有の指標（感度、陽性的中率、F1スコア）と、ハードウェア固有の指標（エネルギー、メモリ、推論時間）を含む標準化された報告ガイドラインを提案している。