hyenagatha02/microdegree23

💻 딥러닝을 활용한 저혈압 및 실제 혈압 예측

[Introduction]

• 본 프로젝트는 카이스트 GSDS 기초기계학습 마이크로디그리 프로그램 내 캡스톤 과목을 기반으로 합니다.
• 본 프로젝트는 2020년에 발행된 <Deep learning models for the prediction of intraoperative hypotension> 논문에 대한 이해를 바탕으로, 논문에서 설명하는 모델을 직접 구현 및 실험 하는 데에 목적을 둡니다.
  
  

[Team Members]

박성아	박혜나	benjamin	이승호

[Deep learning models for the prediction of intraoperative hypotension]

연구 목적

• 수술 중 저혈압 상태가 장기간 유지되면, 수술 후 합병증 유발가능성이 높아짐
• 따라서 딥러닝을 통해 수술 중 실시간으로 환자의 혈압 및 저혈압 상태를 예측하기 위한 모델 개발이 꾸준히 진행되고 있음

연구 경향

• 이전까지는 동맥압 파형(ABP)을 활용하여 저혈압을 예측하는 연구가 주를 이룸
• 그러나 혈역학적 변화는 심전도 및 호흡파형과도 연관이 있기에 현재는 광혈류측정(PPG), 심전도(ECG), 호흡시 이산화탄소를 내뱉는 양(CO2)을 활용
• 또한 ABP를 활용하지 않는 비침습적인(non-invasive)측정 데이터(PPG,ECG,CO2)만을 활용하여 저혈압 및 실제혈압을 예측할 시도

모델 유형

• 데이터(파형) 종류 기준
  • Invasive : ABP(동맥압 파형)을 활용
  • non-invasive : 그 외 PPG, ECG, CO2 만을 활용
• 데이터(파형) 개수 기준
  • 1-channel : 한가지 파형만 활용 (ABP or PPG)
  • multi-channel : 3가지 이상의 파형을 모두 활용 (ABP or PPG + PPG,ECG,CO2)

실험 유형

• classification : 수술 중 저혈압 발생 여부 판단 (0 or 1)
• regression : 환자의 실제 혈압 수치 예측 (MAP)
  
  

[VitalDB open dataset]

• 서울대병원에서 시행된 6,388건의 수술에 대해 intraoperative vital signs(수술 중 생체 신호), perioperative clinical information(수술 전후 임상 정보), perioperative laboratory results(수술 전후 실험 결과) 수집

  • 데이터 형태 : 500hz 고해상도 waveform / 1-7초 간격의 numeric 형태의 biosignal data
  • 수집 방법 : vital recorder 활용

• 본 논문에서는 VitalDB 수집 데이터 중 네 가지 파형(ABP,ECG,PPG,CO2)을 모두 확보할 수 있는 환자 데이터만 활용
  
  

[Goal]

• PPG 데이터를 활용한 non-invasive 1-channel 모델 구현
• classificationdmf, regression 수행
  
  

[Data]

collection (sliding window)

Structure

• X : 길이 3000(30초 x 100Hz)의 PPG segment
• Y : (classification) 0 or 1 / (regression) 환자 MAP
• c : 환자 번호 (학습 X)
• a : 환자 연령, 성별 등 (학습 X)

Preprocess

• noise handling
  • case 1. segment 내 0 이하인 값, np.nan 이 있는 경우 제외
  • case 2. segment 내 peak의 수가 10개 이하인 경우 제외
  • case 3. segment 내 beat의 길이들의 평균을 이용하여 불규칙적인 파형들은 제외
  • case 4. segment 내 beat 들의 상관관계가 0.9 미만인 경우 제외
• normalization
  • segment의 minimum, maximum 값을 고려하여 정규화

final dataset

• classification : 3,256 cases / 191,453 samples
• regression : 3,112 cases / 290,148 samples

train/valid/Test

• 환자 번호를 기준으로 순차적으로 분할

• train : valid : test = 6 : 2 : 2

• train / valid / test 데이터간 label 분포가 유사하도록 설정 (단, 데이터 불균형 존재)

  • (classification) non-hypotention / hypotention 약 9 : 1 비율
  • (regression) 낮은 hypotension(MAP ≤65 mm Hg) 비율

  
  
  

[Method]

Data

• 입력 : 30초 x 100Hz 길이의 PPG (Photoplethysmography) 데이터
• 출력 : Hypotension for classification / MAP(평균동맥압) for regression
  • Hypotension: (MAP ≤65 mm Hg) lasting >1 min
  • Non-hypotension: (MAP > 65 mm Hg) stable for >20 min.

Model

• basic CNN : 논문에서 구현한 7-layer 구성 기반
• LSTM(long short term memory) : 시계열 데이터용 모델
• CNN+LSTM : 이미지 데이터용 기법을 선 적용한 후 시계열 데이터용 기법을 복합 적용한 모델
• resnet34 : 대표적인 CNN 모델인 resnet을 1-dimention으로 구현한 모델 (reference : https://github.com/hsd1503/resnet1d)

Criteria (fixed hyperparameter)

• 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
  
  

[Result]

• Best Model :

  • classificaion : CNN_basic / CNN+LSTM

  • regression : CNN+LSTM

  • But, 모델간 수치도 전체적으로 낮은 모습

    • 근본적인 데이터 분포를 적절하게 변화시킬 수 있도록 data augmentation이 필요
    • 데이터의 분포를 바탕으로 모델에 대한 세분화된 tuning 필요

    
    
    

[Limitaions and Future works]

• 논문을 직접 구현하고, 논문에서 설명하는 모델 외 다른 유형의 모델도 실험해 봄으로써 차이를 확인하는 데에 의미를 둠

• 다만, 모델 전반적으로 낮은 성능 개선 필요 (especially classification task)

• 원인 : 저혈압에 해당하는 데이터 수가 부족

  • classification : 데이터 불균형
  • regression : 예측값의 분포가 극단적인 t분포 형태를 취함

• 개선 방안

  • window size를 조절하여 label 비율이 적절하도록 데이터 재구성
  • 1-dimension 데이터에 대한 증강 기법을 활용하여 저혈압 데이터 보충
  • 데이터 불균형을 완화할 수 있는 기법 적용 (Ex label smoothing 기법, 클래스별 weight 가중치 조절 등)
  • 의료 신호 데이터에서 많이 사용되는 데이터 처리 기법, 모델 및 hyperparameter 탐색 및 적용
    
    

Reference

• Deep learning models for the prediction of intraoperative hypotension 논문
• VitalDB open dataset
• pyvital
• code_repository_for_the_research 폴더