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

Het menselijk hart klopt met een ritme dat zowel biologisch als elektrisch is, en stuurt signalen door de borstkas die artsen al meer dan een eeuw kunnen aflezen met een machine die een elektrocardiogram, of ECG, wordt genoemd. Deze machines produceren een grillige lijn op een scherm, een visuele registratie van de elektrische activiteit van het hart die onthult of het orgaan normaal klopt of worstelt met een aritmie. Decennialang was de taak om deze lijnen te interpreteren voorbehouden aan menselijke experts, maar de enorme hoeveelheid gegevens van draagbare apparaten en ziekenhuismonitoren heeft het noodzakelijk gemaakt om computers het werk te laten doen. In de afgelopen jaren is kunstmatige intelligentie de voorkeursmethode geworden, waarbij deep learning-systemen zijn getraind om patronen in hartslagen te herkennen die voor het blote oog wellicht onzichtbaar zijn. Er blijft echter een hardnekkig probleem bestaan: een computerprogramma dat leert hartslagen perfect te lezen in het ene ziekenhuis, faalt vaak wanneer het wordt gevraagd hartslagen te lezen uit een ander ziekenhuis, van een ander apparaat, of van een andere groep mensen. Dit gebeurt omdat de gegevens van verschillende bronnen er net iets anders uitzien, wat een kloof creëert die de computer niet gemakkelijk kan overbruggen zonder opnieuw getraind te worden.

Onderzoekers aan de Kwame Nkrumah University of Science and Technology in Ghana wilden onderzoeken of zij deze kunstmatige intelligentiemodellen konden helpen die kloof te overbruggen zonder dat ze de nieuwe gegevens eerst hoefden te zien. Ze stelden een eenvoudige vraag: als een computer leert een hartslag te herkennen door naar de ruwe vorm van de golf te kijken, zou het dan ook baat hebben bij het verteld worden van de specifieke, meetbare feiten over die hartslag, zoals hoe lang de golf duurt of hoe ver de hartslagen uit elkaar liggen? Om dit te testen, bouwden ze een systeem dat twee manieren van kijken naar het hart combineerde. Eén deel van het systeem gebruikte een krachtig, modern neuraal netwerk om complexe patronen direct uit het ruwe signaal te leren, vergelijkbaar met een student die duizenden voorbeelden uit het hoofd leert. Het andere deel van het systeem gebruikte een traditionele, op regels gebaseerde methode om specifieke intervallen en vormen te meten, waarbij een reeks veertig duidelijke, numerieke feiten over het ritme en de timing van de slag werd geëxtraheerd. Ze trainden dit gecombineerde systeem op hartgegevens van een grote, bekende database en testten het vervolgens op een volledig andere database die het systeem nog nooit eerder had gezien, waarbij ervoor werd gezorgd dat er geen informatie uit de nieuwe testset werd gebruikt om het model tijdens de training aan te passen.

De resultaten toonden aan dat het toevoegen van de expliciete, gemeten feiten aan het deep learning-model een echt verschil maakte. Wanneer het systeem werd getest op de ongeziene externe database, had de versie die alleen de ruwe patroonherkenning gebruikte moeite met het correct classificeren van de hartslagen, en behaalde een score die een aanzienlijke moeilijkheid met de nieuwe gegevens weerspiegelde. De versie die echter de ruwe patronen combineerde met de veertig gemeten feiten, presteerde merkbaar beter. De verbetering was geen kleine fluctuatie; statistische analyse bevestigde dat de winst echt was en niet door toeval kwam. Het hybride systeem, dat zowel de deep learning-patronen als de expliciete metingen gebruikte, identificeerde het type hartslag vaker correct dan het deep learning-systeem alleen. Dit suggereert dat de twee methoden naar het hart kijken vanuit verschillende hoeken. Het deep learning-model was goed in het herkennen van de algemene vorm van een enkele slag, maar miste de context van wat er vóór en na die slag gebeurde. De gemeten feiten, die de tijd tussen de slagen en het ritme bevatten, boden die ontbrekende context en fungeerden als een brug die de computer hielp de nieuwe gegevens te begrijpen, zelfs zonder dat hij ze eerder had gezien.

De onderzoekers ontdekten dat het meest waardevolle stukje informatie dat het systeem verkreeg uit de gemeten feiten het ritme zelf was. Wanneer ze het systeem tijdelijk de toegang tot de zichtbaarheid van de timing tussen de slagen blokkeerden, daalde de prestatie meer dan wanneer ze een ander type informatie zouden blokkeren. Dit is logisch, omdat het deep learning-model was getraind op geïsoleerde, één-seconde-vensters van hartslagen, waardoor het van nature niet wist hoe snel het hart in totaal klopte of hoe regelmatig het ritme was. De expliciete metingen vulden dit gat in en gaven het systeem een breder beeld van het gedrag van het hart. Hoewel het deep learning-model alleen de meerderheid van de normale hartslagen kon afhandelen, had het moeite met de complexere en zeldzamere soorten onregelmatige ritmes toen het met de nieuwe database werd geconfronteerd. De toevoeging van de gemeten feiten hielp het systeem om deze moeilijke gevallen beter aan te pakken, waardoor het vermogen om tussen verschillende soorten aritmieën te onderscheiden werd verbeterd.

Het is belangrijk om op te merken dat deze verbetering specifiek was voor de uitdaging van het overstappen van de ene database naar een andere. Wanneer de onderzoekers het systeem testten op gegevens uit hetzelfde ziekenhuis waarvoor het getraind was, was het voordeel van het toevoegen van de gemeden feiten veel kleiner en niet statistisch significant. Dit vertelt ons dat de extra informatie niet slechts een algemene booster is voor alle situaties, maar eerder een specifiek hulpmiddel dat de computer helpt zich aan te passen wanneer de gegevens op onverwachte manieren veranderen. De studie beweerde niet het probleem van de diagnose van hartziekten te hebben opgelost, noch suggereerde het dat deze modellen klaar zijn voor onmiddellijk gebruik in elke kliniek. De onderzoekers waren voorzichtig genoeg om aan te geven dat hun systeem nog steeds worstelde met de zeldzaamste soorten hartslagen, simpelweg omdat er zo weinig voorbeelden van waren in de testdata om van te leren. Bovendien vertrouwde het systeem op een enkele afleiding (lead) van het hartsignaal, terwijl medische apparatuur in de echte wereld vaak meerdere afleidingen gebruikt om een vollediger beeld te krijgen.

Ondanks deze beperkingen biedt het werk een duidelijke weg vooruit. Het demonstreert dat we niet hoeven te kiezen tussen de krachtige patroonherkenning van moderne kunstmatige intelligentie en de betrouwbare, interpreteerbare metingen van de traditionele geneeskunde. In plaats daarvan kunnen de twee samenwerken. Door een deep learning-model zowel het ruwe signaal als een reeks duidelijke, gevalideerde feiten over de timing en vorm van het hart te voeden, kunnen onderzoekers systemen creëren die robuuster zijn en beter in staat zijn om om te gaan met de rommelige realiteit van gegevens uit verschillende bronnen. Deze benadering suggereert dat de toekomst van automatische hartbewaking wellicht niet ligt in het vervangen van menselijke kennis door machines, maar in het leren van machines om de specifieke, meetbare waarheden te respecteren en te gebruiken waar menselijke artsen al generaties lang op vertrouwen. De studie concludeert dat hoewel het deep learning-model een sterke basis biedt, de toevoeging van fysiologische feiten een complementaire laag van begrip biedt die het systeem helpt het hart duidelijker te zien, zelfs wanneer het perspectief verandert.