Rare-Class Collapse in ECG-Based Ventricular Tachycardia and Fibrillation Detection: A Systematic Benchmark of Class-Imbalance Mitigation from Reweighting to Cascade Classification

Technische Samenvatting: Ineenstorting van de zeldzame klasse bij ECG-gebaseerde detectie van ventriculaire tachycardie en fibrillatie

Probleemstelling
De automatische detectie van dodelijke aritmieën, specifelijk ventriculaire tachycardie (VT) en ventriculaire fibrillatie (VF), wordt ernstig belemmerd door een sterke klassenimbalans in klinische ECG-datasets. In deze settings vormen dodelijke gebeurtenissen vaak minder dan 22% van de segmenten. Deze onbalans leidt tot een faalmodus die "rare-class collapse" (ineenstorting van de zeldzame klasse) wordt genoemd, waarbij standaardclassificaties een hoge algehele nauwkeurigheid bereiken door voornamelijk de meerderheidsklasse (normaal ritme) te voorspellen, terwijl ze een aanzienlijk deel van de levensbedreigende gebeurtenissen missen. Conventionele evaluatiemetrieken, zoals nauwkeurigheid (accuracy) en de Area Under the Receiver Operating Characteristic Curve (AUROC), verhullen dit klinische falen vaak omdat ze worden gedomineerd door het grote aantal negatieve monsters. De studie stelt dat zonder specifieke evaluatie op een vast klinisch werkpunt en het gebruik van metrieken die gericht zijn op de minderheidsklasse, de veiligheid van deze detectiesystemen niet betrouwbaar kan worden beoordeeld.

Methodologie
De studie voerde een systematische benchmark uit van zes verschillende benaderingen voor het omgaan met onbalans, gebruikmakend van een gepoolde dataset van 15.614 ECG-segmenten afkomstig uit drie PhysioNet-databases: VTaC, VFDB en CUDB. De uiteindelijke cohort vertoonde een ratio van normaal-naar-dodelijk van ongeveer 3,6:1.

• Data Preprocessing: Signalen werden gesampled op 250 Hz, banddoorlaat gefilterd (0,5–40 Hz), genormaliseerd en gesegmenteerd in niet-overlappende vensters van 6 seconden (1.500 samples).
• Feature Extractie: Voor elk segment werd een set van 22 handmatige kenmerken (handcrafted features) berekend, variërend van tijddomeinstatistieken (bijv. gemiddelde absolute amplitude, zero-crossing rate) tot frequentiedomeineigenschappen (bijv. spectrale entropie, dominante frequentie, bandvermogenverhoudingen).
• Evaluatiekader: Om klinische relevantie te garanderen, werden alle modellen geëvalueerd op een vast werkpunt van 95% specificiteit (5% fout-positief percentage). Prestaties werden gemeten aan de hand van Recall, de Area Under the Precision-Recall Curve (AUPRC) en de Missed-Lethal-Event Rate (MLER). Decision curve analyse werd toegepast om het netto klinische voordeel te schatten.
• Geëvalueerde Modellen:
  1. Naïef Baseline: L2-geregulariseerde logistische regressie zonder klassengewichten.
  2. Inverse-Frequency Reweighting: Logistische regressie met gewichten die omgekeerd evenredig zijn aan de klassefrequentie.
  3. LDAM Loss: Een Multi-Layer Perceptron (MLP) getraind met Label-Distribution-Aware Margin loss om grotere beslissingsmarges voor de minderheidsklasse af te dwingen.
  4. Cost-Sensitive Training: Een MLP getraind met cross-entropy loss waarbij het missen van een dodelijke gebeurtenis 10x zwaarder wordt bestraft dan een vals alarm.
  5. Two-Stage Cascade: Een screenings-Random Forest (hoge recall, minderheidsgewicht 20) gevolgd door een gebalanceerde Random Forest om valse alarmen te filteren.
  6. Anomaly Detection: Een Isolation Forest getraind uitsluitend op normale segmenten om VT/VF als anomalieën te detecten.

Belangrijkste Resultaten

• Falen van Naïeve Benaderingen: Het naïeve logistische regressiemodel behaalde 84,1% nauwkeurigheid en een AUROC van 0,822, maar leed aan "rare-class collapse" door slechts 45,1% van de dodelijke gebeurtenissen te detecteren (MLER = 0,549). Het miste 564 van de 1.027 dodelijke gebeurtenissen in de testset.
• Beperkte Effectiviteit van Eenvoudige Herweging: Inverse-frequency reweighting leverde een verwaarloosbare verbetering op, waarbij de recall slechts steeg naar 45,5% en 560 gebeurtenissen werden gemist.
• Superieuriteit van Structurele en Objectieve Modificaties: Methoden die het leerdoel of de modelarchitectuur wijzigden, presteerden significant beter dan eenvoudige herweging.
  • LDAM verbeterde de recall naar 58,9%.
  • Cost-Sensitive Training behaalde een recall van 61,8% en de hoogste AUROC (0,927).
  • Two-Stage Cascade behaalde de beste algehele prestaties met een recall van 65,2% en een AUPRC van 0,821. Deze aanpak verminderde het aantal gemiste dodelijke gebeurtenissen met 37% (van 564 naar 357) vergeleken met de naïeve baseline, terwijl een vergelijkbaar aantal valse alarmen werd behouden.
• Bronspecifieke Prestatieverschillen: Een kritieke bevinding was de divergentie in prestaties tussen verschillende soorten aritmieën. Het cascade-model bereikte bijna volledige detectie voor VF (recall tot 0,975 op de VFDB-dataset) maar presteerde slecht op georganiseerde VT (recall van slechts 0,183 op de VTaC-dataset).
• Beperkingen in de Feature Ruimte: Analyse van de kenmerk-discriminatie (Cohen's d) onthulde dat het meest discriminerende kenmerk (spectrale entropie) een effectgrootte van slechts 0,52 had. De studie schrijft de slechte VT-detectie toe aan de spectrale gelijkenis tussen georganiseerde VT en snelle sinusritme, wat suggereert dat de handmatige kenmerkenreeks een plafond oplegt aan de prestaties, ongeacht het gebruikte classificatiealgoritme.

Betekenis en Claims
Het artikel claimt dat de keuze van evaluatiemetrieken fundamenteel bepaalt hoe zichtbaar het falen van de zeldzame klasse is. Door de focus te verschuiven van nauwkeurigheid naar recall bij een vaste specificiteit en de missed-lethal-event rate, laat de studie zien dat standaard herwegingstechnieken onvoldoende zijn voor de detectie van dodelijke aritmieën. De primaire bijdrage is de identificatie van een beperking in de kenmerkruimte (feature-space limitation) in plaats van een beperking in het modelontwerp voor VT-detectie; de spectrale overlap tussen VT en snel sinusritme voorkomt dat handmatige kenmerken een hoge recall kunnen bereiken.

Concluderend stellen de auteurs dat detectiesystemen voor klinische inzet moeten worden geëvalueerd op basis van het aantal gemiste gebeurtenissen in plaats van algemene correctheid. Ze concluderen dat hoewel two-stage cascades momenteel de beste prestaties bieden onder de geteste methoden, verdere verbetering voor VT-detectie waarschijnlijk vereist dat men verder kijkt dan handmatige kenmerken naar modellen die direct van ruwe ECG-golfvormen leren (bijv. deep learning-benaderingen). De studie dient als een methodologisch bewijs van concept, waarbij wordt benadrukt dat huidige op kenmerken gebaseerde systemen een praktische limiet hebben bij het onderscheiden van georganiseerde VT van normale ritmes.