- ๋ณธ ํ๋ก์ ํธ๋ ์นด์ด์คํธ GSDS ๊ธฐ์ด๊ธฐ๊ณํ์ต ๋ง์ดํฌ๋ก๋๊ทธ๋ฆฌ ํ๋ก๊ทธ๋จ ๋ด ์บก์คํค ๊ณผ๋ชฉ์ ๊ธฐ๋ฐ์ผ๋ก ํฉ๋๋ค.
- ๋ณธ ํ๋ก์ ํธ๋ 2020๋
์ ๋ฐํ๋ <Deep learning models for the prediction of intraoperative hypotension> ๋
ผ๋ฌธ์ ๋ํ ์ดํด๋ฅผ ๋ฐํ์ผ๋ก, ๋
ผ๋ฌธ์์ ์ค๋ช
ํ๋ ๋ชจ๋ธ์ ์ง์ ๊ตฌํ ๋ฐ ์คํ ํ๋ ๋ฐ์ ๋ชฉ์ ์ ๋ก๋๋ค.
๋ฐ์ฑ์ | ๋ฐํ๋ | benjamin | ์ด์นํธ |
![](https://private-user-images.githubusercontent.com/70469008/291525523-f0abb0b7-8bca-4f06-9308-818feba918f2.png?jwt=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.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.DFE7h66e4vl57wLckwO7Lk6_ofQurndzPMSLzfg7WIE)
- ์์ ์ค ์ ํ์ ์ํ๊ฐ ์ฅ๊ธฐ๊ฐ ์ ์ง๋๋ฉด, ์์ ํ ํฉ๋ณ์ฆ ์ ๋ฐ๊ฐ๋ฅ์ฑ์ด ๋์์ง
- ๋ฐ๋ผ์ ๋ฅ๋ฌ๋์ ํตํด ์์ ์ค ์ค์๊ฐ์ผ๋ก ํ์์ ํ์ ๋ฐ ์ ํ์ ์ํ๋ฅผ ์์ธกํ๊ธฐ ์ํ ๋ชจ๋ธ ๊ฐ๋ฐ์ด ๊พธ์คํ ์งํ๋๊ณ ์์
- ์ด์ ๊น์ง๋ ๋๋งฅ์ ํํ(ABP)์ ํ์ฉํ์ฌ ์ ํ์์ ์์ธกํ๋ ์ฐ๊ตฌ๊ฐ ์ฃผ๋ฅผ ์ด๋ฃธ
- ๊ทธ๋ฌ๋ ํ์ญํ์ ๋ณํ๋ ์ฌ์ ๋ ๋ฐ ํธํกํํ๊ณผ๋ ์ฐ๊ด์ด ์๊ธฐ์ ํ์ฌ๋ ๊ดํ๋ฅ์ธก์ (PPG), ์ฌ์ ๋(ECG), ํธํก์ ์ด์ฐํํ์๋ฅผ ๋ด๋ฑ๋ ์(CO2)์ ํ์ฉ
- ๋ํ ABP๋ฅผ ํ์ฉํ์ง ์๋ ๋น์นจ์ต์ ์ธ(non-invasive)์ธก์ ๋ฐ์ดํฐ(PPG,ECG,CO2)๋ง์ ํ์ฉํ์ฌ ์ ํ์ ๋ฐ ์ค์ ํ์์ ์์ธกํ ์๋
- ๋ฐ์ดํฐ(ํํ) ์ข
๋ฅ ๊ธฐ์ค
- Invasive : ABP(๋๋งฅ์ ํํ)์ ํ์ฉ
- non-invasive : ๊ทธ ์ธ PPG, ECG, CO2 ๋ง์ ํ์ฉ
- ๋ฐ์ดํฐ(ํํ) ๊ฐ์ ๊ธฐ์ค
- 1-channel : ํ๊ฐ์ง ํํ๋ง ํ์ฉ (ABP or PPG)
- multi-channel : 3๊ฐ์ง ์ด์์ ํํ์ ๋ชจ๋ ํ์ฉ (ABP or PPG + PPG,ECG,CO2)
- classification : ์์ ์ค ์ ํ์ ๋ฐ์ ์ฌ๋ถ ํ๋จ (0 or 1)
- regression : ํ์์ ์ค์ ํ์ ์์น ์์ธก (MAP)
-
์์ธ๋๋ณ์์์ ์ํ๋ 6,388๊ฑด์ ์์ ์ ๋ํด intraoperative vital signs(์์ ์ค ์์ฒด ์ ํธ), perioperative clinical information(์์ ์ ํ ์์ ์ ๋ณด), perioperative laboratory results(์์ ์ ํ ์คํ ๊ฒฐ๊ณผ) ์์ง
- ๋ฐ์ดํฐ ํํ : 500hz ๊ณ ํด์๋ waveform / 1-7์ด ๊ฐ๊ฒฉ์ numeric ํํ์ biosignal data
- ์์ง ๋ฐฉ๋ฒ : vital recorder ํ์ฉ
-
๋ณธ ๋ ผ๋ฌธ์์๋ VitalDB ์์ง ๋ฐ์ดํฐ ์ค ๋ค ๊ฐ์ง ํํ(ABP,ECG,PPG,CO2)์ ๋ชจ๋ ํ๋ณดํ ์ ์๋ ํ์ ๋ฐ์ดํฐ๋ง ํ์ฉ
- PPG ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ non-invasive 1-channel ๋ชจ๋ธ ๊ตฌํ
- classificationdmf, regression ์ํ
![](https://private-user-images.githubusercontent.com/70469008/291872652-b2a8e887-839b-4e4c-8fdd-2aa1ff1c30af.png?jwt=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJpc3MiOiJnaXRodWIuY29tIiwiYXVkIjoicmF3LmdpdGh1YnVzZXJjb250ZW50LmNvbSIsImtleSI6ImtleTUiLCJleHAiOjE3MjMyMzE1NDgsIm5iZiI6MTcyMzIzMTI0OCwicGF0aCI6Ii83MDQ2OTAwOC8yOTE4NzI2NTItYjJhOGU4ODctODM5Yi00ZTRjLThmZGQtMmFhMWZmMWMzMGFmLnBuZz9YLUFtei1BbGdvcml0aG09QVdTNC1ITUFDLVNIQTI1NiZYLUFtei1DcmVkZW50aWFsPUFLSUFWQ09EWUxTQTUzUFFLNFpBJTJGMjAyNDA4MDklMkZ1cy1lYXN0LTElMkZzMyUyRmF3czRfcmVxdWVzdCZYLUFtei1EYXRlPTIwMjQwODA5VDE5MjA0OFomWC1BbXotRXhwaXJlcz0zMDAmWC1BbXotU2lnbmF0dXJlPTc0Mjc5ZTM0OTEwODU5ZDM5NTJlYzgwMzljZWMwYWM1ZjQ2MzQ1YTkxMGI5NTVmOGQwYzIyYWUzMjI3MTNlNzQmWC1BbXotU2lnbmVkSGVhZGVycz1ob3N0JmFjdG9yX2lkPTAma2V5X2lkPTAmcmVwb19pZD0wIn0.oK-oH7gCZrywFEerKpoUVmAV-ijrABfX8qCWgRyNJJ0)
- X : ๊ธธ์ด 3000(30์ด x 100Hz)์ PPG segment
- Y : (classification) 0 or 1 / (regression) ํ์ MAP
- c : ํ์ ๋ฒํธ (ํ์ต X)
- a : ํ์ ์ฐ๋ น, ์ฑ๋ณ ๋ฑ (ํ์ต X)
- noise handling
- case 1. segment ๋ด 0 ์ดํ์ธ ๊ฐ, np.nan ์ด ์๋ ๊ฒฝ์ฐ ์ ์ธ
- case 2. segment ๋ด peak์ ์๊ฐ 10๊ฐ ์ดํ์ธ ๊ฒฝ์ฐ ์ ์ธ
- case 3. segment ๋ด beat์ ๊ธธ์ด๋ค์ ํ๊ท ์ ์ด์ฉํ์ฌ ๋ถ๊ท์น์ ์ธ ํํ๋ค์ ์ ์ธ
- case 4. segment ๋ด beat ๋ค์ ์๊ด๊ด๊ณ๊ฐ 0.9 ๋ฏธ๋ง์ธ ๊ฒฝ์ฐ ์ ์ธ
- normalization
- segment์ minimum, maximum ๊ฐ์ ๊ณ ๋ คํ์ฌ ์ ๊ทํ
- classification : 3,256 cases / 191,453 samples
- regression : 3,112 cases / 290,148 samples
-
ํ์ ๋ฒํธ๋ฅผ ๊ธฐ์ค์ผ๋ก ์์ฐจ์ ์ผ๋ก ๋ถํ
-
train / valid / test ๋ฐ์ดํฐ๊ฐ label ๋ถํฌ๊ฐ ์ ์ฌํ๋๋ก ์ค์ (๋จ, ๋ฐ์ดํฐ ๋ถ๊ท ํ ์กด์ฌ)
- (classification) non-hypotention / hypotention ์ฝ 9 : 1 ๋น์จ
- (regression) ๋ฎ์ hypotension(MAP โค65 mm Hg) ๋น์จ
- ์ ๋ ฅ : 30์ด x 100Hz ๊ธธ์ด์ PPG (Photoplethysmography) ๋ฐ์ดํฐ
- ์ถ๋ ฅ : Hypotension for classification / MAP(ํ๊ท ๋๋งฅ์) for regression
- Hypotension: (MAP โค65 mm Hg) lasting >1 min
- Non-hypotension: (MAP > 65 mm Hg) stable for >20 min.
- basic CNN : ๋ ผ๋ฌธ์์ ๊ตฌํํ 7-layer ๊ตฌ์ฑ ๊ธฐ๋ฐ
- LSTM(long short term memory) : ์๊ณ์ด ๋ฐ์ดํฐ์ฉ ๋ชจ๋ธ
- CNN+LSTM : ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ฉ ๊ธฐ๋ฒ์ ์ ์ ์ฉํ ํ ์๊ณ์ด ๋ฐ์ดํฐ์ฉ ๊ธฐ๋ฒ์ ๋ณตํฉ ์ ์ฉํ ๋ชจ๋ธ
- resnet34 : ๋ํ์ ์ธ CNN ๋ชจ๋ธ์ธ resnet์ 1-dimention์ผ๋ก ๊ตฌํํ ๋ชจ๋ธ (reference : https://github.com/hsd1503/resnet1d)
- batch size : 128
- epoch : 100 (+ early stopping)
- Loss : (classification) BCE, (regression) L1, MSE
- Evaluation : (classification) auc, recall / (regression) mae, r2 score
- optimizer = adam / learning_rate = 1e-3 / schedular = None
-
Best Model :
-
๋ ผ๋ฌธ์ ์ง์ ๊ตฌํํ๊ณ , ๋ ผ๋ฌธ์์ ์ค๋ช ํ๋ ๋ชจ๋ธ ์ธ ๋ค๋ฅธ ์ ํ์ ๋ชจ๋ธ๋ ์คํํด ๋ด์ผ๋ก์จ ์ฐจ์ด๋ฅผ ํ์ธํ๋ ๋ฐ์ ์๋ฏธ๋ฅผ ๋
-
๋ค๋ง, ๋ชจ๋ธ ์ ๋ฐ์ ์ผ๋ก ๋ฎ์ ์ฑ๋ฅ ๊ฐ์ ํ์ (especially classification task)
-
์์ธ : ์ ํ์์ ํด๋นํ๋ ๋ฐ์ดํฐ ์๊ฐ ๋ถ์กฑ
- classification : ๋ฐ์ดํฐ ๋ถ๊ท ํ
- regression : ์์ธก๊ฐ์ ๋ถํฌ๊ฐ ๊ทน๋จ์ ์ธ t๋ถํฌ ํํ๋ฅผ ์ทจํจ
-
๊ฐ์ ๋ฐฉ์
- window size๋ฅผ ์กฐ์ ํ์ฌ label ๋น์จ์ด ์ ์ ํ๋๋ก ๋ฐ์ดํฐ ์ฌ๊ตฌ์ฑ
- 1-dimension ๋ฐ์ดํฐ์ ๋ํ ์ฆ๊ฐ ๊ธฐ๋ฒ์ ํ์ฉํ์ฌ ์ ํ์ ๋ฐ์ดํฐ ๋ณด์ถฉ
- ๋ฐ์ดํฐ ๋ถ๊ท ํ์ ์ํํ ์ ์๋ ๊ธฐ๋ฒ ์ ์ฉ (Ex label smoothing ๊ธฐ๋ฒ, ํด๋์ค๋ณ weight ๊ฐ์ค์น ์กฐ์ ๋ฑ)
- ์๋ฃ ์ ํธ ๋ฐ์ดํฐ์์ ๋ง์ด ์ฌ์ฉ๋๋ ๋ฐ์ดํฐ ์ฒ๋ฆฌ ๊ธฐ๋ฒ, ๋ชจ๋ธ ๋ฐ hyperparameter ํ์ ๋ฐ ์ ์ฉ