データセットの説明
CTU-UHB分娩時の心臓地域データベースは、学期（妊娠37週以上）の記録から50,000分の録音で構成されるチェコ共和国の大学病院Brnoから552 CTGのオープンソース選択的コレクションです34,35。各CTGは、胎児の心拍数（FHR）と対応する子宮収縮（UC）を、出産前に最大90分間記録します。この作業では、「CTGS」、「 ‘CTG録音」、および「レコード」を使用して、患者CTGの記録全体を参照しています。対照的に、「入力信号」、「信号作物」、「トリミングされた信号」などの用語は、ディープラーニングモデルの入力として使用されるCTG記録の30分間のセグメントを指します。データは、胎児の転帰に関連付けられており、胎児および母体のメタデータは表2に要約されています。関連するメタデータの相関マトリックスを図3aに含めます。この公開されているデータセットにはアクセスできます https://physionet.org/content/ctu-uhb-ctgdb/1.0.0/。データセットのドキュメントによると、すべてのデータは署名されたインフォームドコンセントで収集され、参加者のすべての識別情報は匿名性34を確保するために削除されました34。識別されたデータに関するこの遡及的研究をレビューし、Advarra IRBによるさらなるレビューのために放棄しました。
表2 CTU-CHBデータセットの説明図3：データ記述子とメソッドパイプライン。
a 患者メタデータ属性間の相関。 b 抽出された機能と予測されるターゲット変数との相関。 c トップ：pH≥7.20および1分間以上のApgarによる通常のCTG記録。 底：すべての患者CTG記録のpH D pHおよびAPGARスコアによる異常なCTG記録。緑の領域は通常の記録の交差点を示し、赤い領域は異常な記録の交差を示します。この図は、必ずしもpH値とAPGARスコアの間に直接的なリンクがあるとは限らないことを示しています。 e ディープラーニングモデルの可能な入力モダリティ。 f 分類タスクに応じて、ディープラーニングモデルによる出力の可能性があります。 g ルールベースの機能抽出パイプライン。
3つの結果ラベルカテゴリを定義しました。
$$ {y} _ {i} = left { begin {array} {ll} { mathbb {1}} {{p} _ {i} 、
（1）
ここで、（{ mathbb {1}} { cdot } ）はバイナリインジケーター関数です。 p私 臍帯動脈血液pH、 a私 1分間のApgarスコアです y私 割り当てられたグラウンドトゥルースラベル（異常= 1、通常= 0） 私Th CTG録音。 pH分類タスクは、375の正常および177の異常なケースを生成し、カットオフしきい値は7.20でした。このしきい値は、臨床カットオフ、適切なクラスバランスに関連し、同様のタスクでの以前の作業との比較を可能にするために選択されました19。 APGAR分類タスクは、484の正常および68の異常なケースを生成しました。異常なpHおよびapgar基準の論理的包括的「または」として定義されたLOR分類タスクは、354の正常および198の異常なケースを生成しました19。正常および異常なCTGの例を図3cに示します。図3Dは、すべての患者記録のpHとAPGARスコアの関係を示しています。
ニューラルネットワークメソッドの前概要
CTGの記録は、胎児および母体の動きのアーティファクト、トランスデューサーの変位、膣検査、および騒音を追加する母体のプッシュを起こしやすい29。したがって、生のCTGデータは、低品質のデータがデータからの学習の安定性と収束に悪影響を与えるため、機械学習方法を使用して分析する前に前処理を必要とします36。
Neural NetworkモデルへのCTG記録の入力の前処理パイプラインでは、FHR信号の欠落が胎児状態の解釈には非情報的であるため、記録の開始時と最後に繰り返し欠損値を最初に削除しました29,37。 FHR信号と同時に記録されたUC信号の対応するセグメントも削除されました38も削除されました。残りの信号の品質を評価するために、欠落間隔を短いセグメントと長いセグメントに分類しました。臨床ガイドラインに従って、FHR信号の欠落が欠損値として15秒以上長くマークし、データ23,39の時間的依存関係を維持するためにゼロに設定しました。線形補間11,40を使用して、欠損値の短いセグメントを帰属させました。次に、FHR信号とUC信号の両方を滑らかにして、分類アルゴリズムに対するノイズの影響を減らします。19,29、41、42、43。データセット11,23,36,44のクラスの不均衡に対処するために、異常なCTGのデータ増強とオーバーサンプリングを実施しました。
参考文献からのベースラインメソッドとの一貫性を維持するため。 19、トレーニングと評価のために30分間のセグメントに録音をトリミングしました。最後に、入力の寸法を減らすために録音を1 Hzにダウンサンプリングし、トレーニング時間とハードウェアの要件を減らします19,21,23,29,39,42、45、46、47。これにより、4,315,200分（n= 496録画）、148,800分（n= 496録画）、および1,680分（n= 56録音、トレーニング、トレーニング、テストのためのトリミングされた信号のそれぞれ。前処理パイプラインの段階的な描写を補足図1に示します。
代替時間間隔前処理
次の30分間の記録でトレーニングされたベースラインモデルを評価しました。次の30分間のさまざまなデータセットのさまざまな30分セグメント：（1）配達前の30〜60分のマークでトリミングされた信号を、（2）記録全体でサンプリングされた30分間の信号をランダムにトリミングしました。これらの時間間隔は、断続的なCTG監視設定で一般的な観測されたCTG記録のタイプをシミュレートします。これらのサンプルには、付加的なマルチスケールノイズがなく、完全に決定論的な方法で生成されました。
データ分割
CTU-UHBデータセットのクラスの不均衡と患者のサンプルサイズが小さいため、トレーニング、検証、およびテスト分割全体で予測されたターゲット変数を介して同様の分布を確保するために、層別データ分割を実行しました。拡張データセットは、レコード識別子と拡張クロップド信号との間に1対多くの対応を持っていたため、最初にレコード識別子の10％を、残りの90％から10倍の交差検証（CV）スプリットをレコード識別子によって割り当てました。これは、各分割でラベルの代表的な分布を維持し、同じCTG記録から発生するトレーニングおよびテストセットでトリミングされた信号の漏れがないことを保証するために行われました。ニューラルネットワークモデルのトレーニングと評価に使用されるさまざまなデータセットの各トレーニング、検証、およびテスト分割における前処理されたCTG記録の数を補足表2にまとめます。
ニューラルネットワークモデルのアーキテクチャとトレーニング
参考文献によって提案されたCTG-NETニューラルネットワークモデルを採用しました。 19私たちの基本モデルとして。 CTG-NETアーキテクチャは、入力として1800の時点（1 Hzで30分ダウンサンプリング）の信号を取得します。入力FHRとUC信号は、FHRとUCの関係を学習するために深さごとの畳み込みが行われる前に、30秒の時間フィルターで畳み込まれます。すべての機能がフラット化され、分類のために完全に接続された隠れレイヤーに渡される前に、最終的な分離可能な畳み込みが適用されます。最終層の出力は、シグモイドの活性化層を通過して異常スコアを生成します。トレーニングパイプラインの高レベルの描写を図3E、fに示します。アーキテクチャに関する詳細については、参考文献をご覧ください。 19。
また、次の実験も実行しました。（1）1D CNNモデルのバリエーションを使用したFHRまたはUCを入力としてトレーニングし、（2）入力のベクトルとしてメタデータ機能を追加します。アーキテクチャ検索を通じてハイパーパラメーターチューニングを実行して、各レイヤーの畳み込みフィルターの数を最適化し、REFが採用したデフォルトのトレーニングパイプラインとメソッドを比較しました。 19。モデルハイパーパラメーターは、2チャンネル（FHRおよびUC）と1チャネル（FHR）入力モデルに対して個別に最適化されました。考慮された値の範囲とモデルアーキテクチャとトレーニングハイパーパラメーター検索の実施に使用されるサンプリング関数を補足表5に示します。同じ手順を使用して、トレーニング前フェーズからモデルを選択して、ダウンストリームの微調整に使用しました。
すべてのニューラルネットワークは、TensorflowのNVIDIA V100 GPUでトレーニングされました（https://www.tensorflow.org）硬い火を使用する（https://keras.io）。 Adamをオプティマイザー、初期化されたモデル重量、および固定ランダムシードを備えたオプティマイザー状態を使用し、300エポックの各モデルを訓練しました48。ニューラルネットワークに入力する前に、時系列と表形式のメタデータの正規化でチャネル固有の最大絶対値スケーリングを実行します。
xgboostによるルールベースの分類
ニューラルネットワークモデルのパフォーマンスを従来の機械学習アルゴリズムと比較するために、国際婦人科および産科連邦（FIGO）37の現在の母体および胎児医学の実践に従って、時系列信号からFHRおよびUCの特徴を抽出する機能抽出パイプラインを実装しました。次の特徴が抽出されました：子宮収縮、FHRベースライン、ベースラインのばらつき、加速、減速、変化する減速、重度の減速、減速後期、延長された減速、およびFHRヒストグラムの幅、最小、最大、中央値、平均、モード、および標準偏差値。図3Bは、抽出されたすべての機能と予測されるターゲット変数の相関マトリックスを示しています。図3gは、特徴抽出パイプラインを示しています。
欠損値の代入を含む前処理ステップを適用して、特徴抽出アルゴリズムで使用する別のデータセットを生成しました。 15秒未満のセグメントの代入に続いて、FHRとUC信号は120時点（30秒）のローリングウィンドウで滑らかになり、15秒以上の欠落セグメントを線形補間を使用して帰属させました。同じ小規模エッジクリッピングと添加剤ノイズデータ増強プロセスが、平滑化された信号に適用されました。
子宮収縮は、ピーク発見アルゴリズムを使用して特定されました。最初のFHRベースラインは10分間のウィンドウで計算され、加速と減速が特定され、ベースライン計算から除去されたときに繰り返し更新されました37。このプロセスは、FHRベースラインの変化の大きさが0.5未満になるまで繰り返されました。最後に、推定FHRベースラインに従って、ベースラインのばらつき、FHR加速、および減速が検出されました。 Pythonで機能抽出アルゴリズムを実装し、チームでObgynを練習して、いくつかのCTG録音の抽出された機能を検証しました。
Neural Networkモデルのトレーニングに使用される同じデータ分割を使用して、PHおよびAPGAR分類タスクの抽出されたFHRおよびUC機能で、CTGアプリケーション8で通常使用されるXGBoost分類器をトレーニングしました。最大深度2、クラス補正の加重損失、30の早期停止ラウンド、およびAurocを評価メトリックとして使用しました。
評価
ニューラルネットワークとXgboostモデルのパフォーマンスは、受信機動作特性曲線（AUROC）の下の領域を使用して評価されました。また、臨床性能と比較するために、固定特異性しきい値90％の感度を報告しました。
両側ウェルチ t– テストを使用して、さまざまなアプローチに対して1000を超えるブートストラップされたサンプルを計算した平均AUROCを比較しました。固定テストセットのパフォーマンスを比較した場合、ペア t– テストが使用されました。また、PHとAPGAR予測タスクの両方について、サブグループ間のパフォーマンス格差を評価しました。サブグループ変数には、人口統計学的および臨床的属性が含まれていました（胎児の妊娠年齢、母体の年齢、母体のリスク要因、パリティ）49、50、51およびFHRおよびUCチャネルのそれぞれの信号品質記述子。バイナリサブグループ変数を定義するために使用されるカットオフと式の包括的な説明を補足表3に示します。信号品質メトリックは、前処理パイプラインのトリミングステップの後に計算され、補足表4の時間間隔に要約されています。
#心臓の解釈のための深い学習モデルの開発と評価