选自StanfordMLGroup
作者：AwniY.Hannun等
机器之心编译
机器之心编辑部
近日，吴恩达团队开发了一种深度神经网络，可以基于单导程心电图（ECG）信号诊断心率不齐，且诊断性能堪比心脏病医生。
ECG是医疗实践中的基础工具，全世界每年有超过3亿张心电图，它在诊断心律不齐过程中起关键作用。近日，吴恩达团队在NatureMedicine上发表了一项研究，开发了一种深度神经网络，可基于单导程ECG信号分类10种心率不齐以及窦性心律和噪音，性能堪比心脏病医生。
你能从上图中分辨出心律不齐吗？神经网络可以准确地检测出这属于AVB_TYPE2类型。
该团队开发了一个1D卷积深度神经网络，可基于任意长度ECG时序数据检测心律不齐。该网络使用原始ECG数据作为输入（以Hz进行采样，即每秒个样本），并每个样本（每1.28s）输出一个预测结果。该网络只需要原始ECG样本作为输入，无需病人或ECG相关的其他特征。该网络架构共有34个层，为简化网络优化，研究人员使用类似残差网络架构的捷径连接（shortcutconnection）。
与近期其他DNN方法不同，ECG数据无需经过大量预处理（如傅立叶变换或小波变换），就可以获得强大的DNN分类性能。
该团队构建了一个大型ECG数据集，该数据集经过专家标注，包含大量ECG心律类型。
他们的数据集包含了来自名成人患者的可回溯、去识别数据，这些患者大于18岁，使用的是iRhythmTechnologies公司的Zio监护仪，这是一种美国食品和药物管理局（FDA）批准的单导程、基于块的动态心电图监护仪，在Hz下持续记录来自单个载体（改良的LeadII）的数据。
心电图记录是根据iRhythmTechnologies公司临床工作流程产生的报告摘要提取的，其中包括由正规心电图技术人员对算法的初始注释进行的全面审查，这种算法得到了FDA(k)的批准，可以用于临床。研究人员随机采样心率不尽相同的患者，并从这些患者中抽取了30秒可进行心率分类的记录。尽管目标心率类别通常出现在记录中，但大多数记录包含多种心率。为了进一步改善训练数据集中类的平衡，该团队故意对AVB等罕见的心率进行了过度采样。
在独立测试数据集上对比DNN和心脏病学家的诊断能力
测试数据集由个ECG记录构成，收集自个独特的病人，这些记录由一个由心脏病专家组成的共识委员会进行注释。
除了一个心脏病共识委员会的注释，测试数据集中的每个ECG记录还包括六个单独的心脏科医生的注释，这些医生不属于该委员会。利用这些委员会标签作为*金标准，研究人员比较了DNN算法F1得分与平均每个心脏病医生的F1得分，F1得分是阳性预测值（PPV，查准率）和灵敏度（查全率）的调和平均值。心脏科医生F1得分是6个单独的心脏科医生F1得分的平均值。
结果，DNN的F1平均得分超过了心脏科医生。DNNF1得分的趋势与心脏科医生平均F1得分的趋势一致：二者在类似类别上的F1分数都比较低，如室性心动过速和房性异位节律（EAR）。
将特异度固定在心脏科医生达到的平均特异度水平，DNN的灵敏度超过心脏科医生在所有心律分类中的平均灵敏度。
研究人员发现该模型在所有心律类型分类中的表现足以比肩、甚至超过心脏病医生的平均表现。
研究人员绘制了序列级心律分析的ROC曲线和PR曲线，下图以心房颤动为例。单个心脏病医生的表现和心脏病医生的平均表现也显示在下图中。
研究人员发现DNN似乎可以概括单个心脏病医生的错误分类。
对错误分类部分进行人工审核后发现，DNN的错误分类整体上非常合理。在很多情况下，缺乏语境、信号长度有限、单导程等原因导致无法从数据中得出合理结论，这使得研究人员很难确定委员会和算法谁是正确的。类似的因素和人类错误可能解释72.8%的标注者之间的分歧。
下面两个混淆矩阵展示了类似的模式，图中将分类时更容易出问题的心律类型突出显示（即SVT和atrialfibrillation、junctional和sinusrhythm、EAR和sinusrhythm）。
研究人员在来自不同患者群体的外部数据集上验证了其DNN，发现该模型的表现颇具竞争力。
为了证明DNN架构能够泛化至外部数据，研究人员将DNN模型应用于PhysioNet挑战赛数据，该数据包含4种心律：窦性心律、心房颤动、噪声和其它。保持DNN架构不变，也不调整任何超参数，研究人员在开源训练数据集（n=8,）上训练其DNN模型，保留了10%的开发数据集，以便提前停止。DNN在隐藏测试数据集（n=3,）上的表现显示F1总分属于竞赛中表现最好的分数之一，每类心律平均F1分数为0.83。
论文：Cardiologist-levelarrhythmiadetectionandclassificationinambulatoryelectrocardiogramsusingadeepneuralnetwork
论文链接：