Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift

人間の心臓は、生物学的かつ電気的なリズムで鼓動しており、その信号を胸部を通じて送り出している。医師たちは1世紀以上にわたり、心電図（ECG）と呼ばれる機械を用いてこれらの信号を読み取ってきた。これらの機械は画面上にギザギザの線を描き出し、心臓の電気活動の視覚的な記録を示すことで、臓器が正常に鼓動しているのか、あるいは不整脈に苦しんでいるのかを明らかにする。数十年にわたり、これらの線を解釈する作業は人間の専門家に委ねられてきたが、ウェアラブルデバイスや病院のモニターから生成されるデータ量が膨大になったため、コンピュータにその作業を行わせることが必要となった。近年では、人工知能が有力な手段となっており、ディープラーニング・システムが、肉眼では捉えられない可能性のある心拍のパターンを認識するように訓練されている。しかし、依然として手強い問題が残っている。ある病院で心拍の読み取りを完璧に学習したコンピュータ・プログラムが、別の病院、別の機械、あるいは異なるグループの人々の心拍を読み取ろうとすると、失敗してしまうことが多いのだ。これは、異なるソースからのデータがわずかに異なって見えるために起こり、コンピュータが再学習なしには容易に越えられない「溝」を生み出してしまうのである。

ガーナのクワメ・ンクルマ科学技術大学の研究者たちは、これらの人工知能モデルが、新しいデータを見る前にその溝を越えられるようにする方法はないかと考えた。彼らはシンプルな問いを立てた。もしコンピュータが波形の生の形状を見て心拍を認識することを学んだ場合、その波形がどれくらいの長さなのか、あるいは鼓動の間隔がどれくらいなのかといった、その心拍に関する具体的で測定可能な事実も教えられたら、恩恵を受けるのだろうか？これを検証するために、彼らは2つの視点を組み合わせたシステムを構築した。システムの一方の部分は、強力で現代的なニューラルネットワークを用い、何千もの例を暗記する学生のように、生の信号から複雑なパターンを直接学習する。もう一方の部分は、伝統的なルールベースの手法を用い、特定の間隔や形状を測定して、リズムとタイミングに関する40個の明確な数値的事実を抽出する。彼らはこの結合システムを、一つの大規模で有名なデータベースの心臓データを用いて訓練し、その後、訓練中にモデルを調整するために新しいテストセットの情報が一切使用されていない、全く別のデータベースを用いてテストを行った。

結果は、ディープラーニング・モデルに明示的な測定事実を加えることが、実質的な違いをもたらすことを示した。システムが未知の外部データベースでテストされた際、生のパターン認識のみを用いたバージョンは心拍を正しく分類することに苦戦し、新しいデータに対して顕著な困難を反映したスコアを記録した。しかし、生のパターンと40の測定事実を組み合わせたバージョンは、明らかに優れた性能を示した。この向上は単なる微小な変動ではなく、統計的分析によって、その利得が偶然によるものではなく、実在するものであることが確認された。ディープラーニングのパターンと明示的な測定値の両方を使用したハイブリッド・システムは、ディープラーニングのみのシステムよりも頻繁に心拍の種類を正しく特定した。これは、2つの手法が異なる角度から心臓を見ていることを示唆している。ディープラーニング・モデルは単一の鼓動の全体的な形状を認識することには長けていたが、その鼓動の前後に何が起きているかという文脈を見落としていた。測定された事実は、鼓動間の時間やリズムを含んでおり、それらが欠落していた文脈を提供し、コンピュータが新しいデータを見たことがなくても、そのデータを理解するための架け橋として機能したのである。

研究者たちは、システムが測定事実から得た最も価値のある情報は、リズムそのものであることを見出した。タイミングに関する情報を一時的に遮断したところ、他のどの種類の情報を遮断したときよりも、システムの性能が低下した。これは、ディープラーニング・モデルが心拍の1秒間の窓（ウィンドウ）に隔離された状態で訓練されていたため、心臓が全体としてどのくらいの速さで鼓動しているか、あるいはリズムがどれほど規則的であるかを自然には理解できなかったことから説明がつく。明示的な測定値はこの空白を埋め、システムにより広い視野を与えたのである。ディープラーニング・モデル単体でも大部分の正常な心拍を扱うことはできたが、新しいデータベースに直面した際、より複雑で稀な不整脈のパターンに対しては苦戦した。測定事実の追加は、システムがこれらの困難なケースをより良く対処することを助け、さまざまな種類の不整脈を識別する能力を向上させた。

なお、この改善は、あるデータベースから別のデータベースへと移行するという課題に特化したものであることに注意が必要である。研究者が、訓練に使用したのと同じ病院のデータを用いてシステムをテストした際、測定事実を加えることによる恩恵は非常に小さく、統計的に有意ではなかった。このことは、追加された情報があらゆる状況における一般的なブースターではなく、データが予期せぬ形で変化した際にコンピュータが適応するのを助けるための、特定のツールであることを物語っている。この研究は、心臓疾患の診断問題を解決したと主張したわけでも、これらのモデルがすぐにすべてのクリニックで使用できる準備が整ったと示唆したわけでもない。研究者たちは、テストデータの中に極めて稀なタイプの心拍の例が少なすぎたために、システムが依然としてそれらの扱いに苦慮していることを慎重に指摘した。さらに、本システムは心臓信号の単一の誘導（リード）に依存しており、現実世界の医療機器は、より完全な全体像を得るために複数の誘導を使用することが多い。

こうした限界はあるものの、この研究は明確な進むべき道を示している。それは、現代の人工知能による強力なパターン認識と、伝統的な医学による信頼性の高い解釈可能な測定値のどちらか一方を選ばなければならないわけではないということだ。むしろ、これらは共存できるのである。ディープラーニング・モデルに、生の信号と、心臓のタイミングや形状に関する明確で検証済みの事実の両方を入力することで、研究者はより堅牢で、異なるソースからのデータの混沌とした現実にうまく対処できるシステムを作り出すことができる。このアプローチは、自動化された心臓モニタリングの未来が、人間の知識を機械に置き換えることではなく、機械に、人間の医師が世代を超えて頼りにしてきた特定の測定可能な真実を尊重し、活用することを教えることにあることを示唆している。研究は、ディープラーニング・モデルが強固な基礎を提供する一方で、生理学的な事実の追加が、たとえ景色が変わったとしても、システムがより鮮明に心臓を見ることができるようにする補完的な理解の層を提供する、と結論づけている。