Nat.Commun.｜用于持续学习心脏信号的临床深度学习框架

编译|陶雯
审稿|黄勇
本文介绍由牛津大学的Dani Kiyasseh等人发表于Nature Communications的研究成果：在违反独立同分布假设的实例中训练的深度学习算法会受到破坏性干扰，作者为了减轻这种干扰，提出了一种持续学习策略CLOPS。在四个持续学习场景的三个场景中，CLOPS在泛化性能和后向转移两个方面都优于最先进的方法GEM和MIR。该框架有望为设计能够长期保持稳健的诊断系统铺平道路。

1简介
心律失常的诊断，即心脏功能异常的识别，有助于心脏病专家和广大临床医生做出正确的决策。进行心律失常诊断通常利用心电图（ECG）。深度学习系统的出现使得心律失常的自动诊断具有一定的规模和准确性，许多深度学习系统要求数据是独立同分布的（independent and identically distributed，i.i.d.）。违反i.i.d.会不利于系统的学习行为，然而违反i.i.d.在临床环境中普遍存在。
应对动态环境带来的挑战是持续学习（CL）的重点。通过持续学习，学习系统可以在当前的任务中表现良好，而不影响在先前任务上的表现。动态且混乱的医疗环境需要动态可靠的系统，然而现在还没有研究去设计和评估生理信号背景下的持续深度学习系统。
作者设计并评估了一个持续深度学习系统，系统接收单导联心电图数据，并返回单一的心律失常诊断。这种深度学习系统可以在多种动态环境中执行心律失常诊断的临床任务，而不会灾难性地忘记如何执行先前的任务。当结合缓冲区存储和获取机制时，本文的CL框架在四个不同的CL场景的三个场景中的表现超过了最先进的CL方法GEM和MIR。同时，作者还进行了大量的消融研究，并表明提出的缓冲区存储和获取机制对提高性能至关重要。此外，作者通过参考心电图领域的知识，验证了可学习参数代表了难度的解释。
2
结果
持续学习场景
作者模拟了四种动态变化的环境，在这些环境中，深度学习系统依次执行心律失常分类的任务。在类增量学习（Class-IL）的场景中，深度学习系统针对来自互斥的心律失常类对的数据解决了一个二元分类问题（见图1左）。在时间增量学习（Time-IL）的场景中，深度学习系统针对一年中不同时间（如冬季和夏季）收集的数据解决了一个多类分类问题（见图1左）。在域增量学习（Domain-IL）的场景中，深度学习系统针对不同模式的输入解决了一个多类分类问题（见图1右）。在机构增量学习（Institute-IL）场景中，深度学习系统针对来自不同医疗机构的输入解决了一个多类分类问题（见图1右）。