ECGレンズ：PTB-XLデータセットでのML・DLモデルベンチマーク

要旨: 心電図（ECG）信号の自動分類は、心血管疾患の診断およびモニタリングに有用な手段である。本研究では、PTB-XLデータセットに含まれるECG信号の分類を対象として、3つの従来型機械学習アルゴリズム（決定木分類器、ランダムフォレスト分類器、ロジスティック回帰）と、3つの深層学習モデル（シンプル畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）、複雑CNN（ECGLens））を比較する。PTB-XLデータセットは、正常患者およびさまざまな心疾患を有する患者からの12誘導記録を含む。深層学習モデルは、生のECG信号に対して学習され、弁別的特徴を自動的に抽出できるようにした。モデル性能の向上、学習サンプルの多様性の増加、およびECG信号の本質的な特性の保持を目的として、定常ウェーブレット変換（Stationary Wavelet Transform: SWT）を用いたデータ拡張を適用した。モデルは、精度、適合率、再現率、F1スコア、ROC-AUCなど複数の指標を用いて評価した。ECG-Lensモデルは最も高い性能を達成し、分類精度80%およびROC-AUC 90%を示した。これらの結果は、生の12誘導ECGデータにおいて、深層学習アーキテクチャ、特に複雑なCNNが従来型のML手法を大幅に上回ることを示しており、自動ECG分類モデルを選択するための実用的なベンチマーク、ならびに病態別のモデル開発の方向性を示すものとなる。