Tiefes Lernen für die ECG-Analyse: Benchmarking und Erkenntnisse aus PTB-XL

Die Elektrokardiographie ist ein sehr verbreiteter, nicht-invasiver diagnostischer Eingriff, dessen Interpretation zunehmend durch automatisierte Interpretationsalgorithmen unterstützt wird. Die Fortschritte im Bereich der automatisierten EKG-Interpretation sind bisher durch den Mangel an geeigneten Datensätzen für das Training sowie durch die fehlende Standardisierung evaluativer Verfahren behindert worden, die den Vergleich verschiedener Algorithmen gewährleisten könnten. Um diese Herausforderungen zu mindern, präsentieren wir erste Benchmark-Ergebnisse für den kürzlich veröffentlichten, frei zugänglichen PTB-XL-Datensatz, der eine Vielzahl von Aufgaben abdeckt – von der Vorhersage verschiedener EKG-Befunde über Alters- und Geschlechtsvorhersage bis hin zur Beurteilung der Signalqualität. Wir stellen fest, dass Faltungsneuronale Netze, insbesondere Architekturen basierend auf ResNet und Inception, in allen Aufgaben die bestmögliche Leistung erzielen und dabei herkömmliche, auf Merkmalen basierende Algorithmen deutlich übertrumpfen. Diese Ergebnisse werden durch tiefere Einblicke in die Klassifikationsalgorithmen ergänzt, darunter die Analyse verborgener Stratifikationen, der Modellunsicherheit sowie eine explorative Interpretierbarkeitsanalyse. Zudem präsentieren wir Benchmark-Ergebnisse für den EKG-Datensatz der ICBEB2018-Challenge und diskutieren die Perspektiven des Transferlernens mittels auf PTB-XL vortrainierter Klassifizierer. Mit diesem Ressourcenangebot zielen wir darauf ab, den PTB-XL-Datensatz als Standardressource für strukturierte Benchmarking-Arbeiten bei der Analyse von EKG-Algorithmen zu etablieren und andere Forscher in der Branche zur Mitarbeit an diesen Bemühungen aufzufordern.