深層ニューラルネットワークを用いた動的心電図における心臓専門医レベルの心律不整脈検出および分類

コンピュータによる心電図（ECG）解析は、臨床現場におけるECGのワークフローにおいて重要な役割を果たしている。広く利用可能なデジタルECGデータと深層学習のアルゴリズム的アプローチの進展により、自動ECG解析の精度とスケーラビリティを大幅に向上させる機会が得られている。しかし、幅広い診断クラスにわたるエンド・ツー・エンドの深層学習アプローチを用いたECG解析について、包括的な評価はこれまで報告されていなかった。本研究では、1万2000件の単導程ECG（53,549例の患者から取得）を用いて、12種類の心律異常を分類するための深層ニューラルネットワーク（DNN）を開発した。独立したテストデータセット（ボード認定の臨床心臓専門医によるコンセンサス委員会によるラベル付け済み）に対して検証した結果、DNNは受信者操作特性曲線（ROC）下の面積（AUC）平均値0.97を達成した。また、陽性予測値と感度の調和平均であるF1スコアについて、DNN（0.837）は平均的心臓専門医のスコア（0.780）を上回った。心臓専門医の平均特異度を固定した条件下でも、DNNの感度はすべての心律異常クラスにおいて、平均的心臓専門医の感度を上回った。これらの結果は、エンド・ツー・エンドの深層学習アプローチが、単導程ECGから多様な心律異常を高精度で分類可能であり、心臓専門医と同等の診断性能を発揮できることを示している。臨床現場でその有効性が裏付けられれば、コンピュータによるECG解析の誤診率を低減し、特に緊急度の高い症例を正確にトリージングまたは優先順位付けすることで、専門医によるECG解析の効率を向上させることができる。データセットは以下のリンクから入手可能：https://irhythm.github.io/cardiol_test_set/