1. 血管狭窄診断支援のための
シャント音解析を用いた識別法の研究

2. 研究背景(1/2)
末期腎臓病(ESRD : End Stage Renal Disease)
-血液から老廃物や過剰な水分を除去するため血液透析を行う
1
シャントを作成することで
十分な血流量を確保
患者の高齢化、シャントの長期使用
シャントが抱える問題点
狭窄(血管が細くなる) 閉塞(血管が詰まる)が発生
- 透析時のパフォーマンスの低下
静脈
動脈
吻合部
シャントのイメージ図

3. < 聴診による評価 >
-手軽に実施でき、多くの情報が得られるシャント音の聴取が有効
-透析患者の狭窄を評価する非侵襲的な手法
正常なシャント音 → 低音で連続的な音
狭窄のシャント音 → 高音(ヒューヒュー)
研究背景(2/2)
2
出典元 :
医療法人社団 仁誠会

4. 目的
聴診による管理 : 透析患者の狭窄を評価する非侵襲的な手法
主観による判断や経験・スキルに依存
3
シャント音からシャント機能を
コンピュータを用いて識別する
or
正常
狭窄
評価
シャント音の情報
聴診

5. 従来研究
4
学習
特徴量
抽出
シャント音
の切り出し
識別フェーズ
特徴量
抽出
シャント音
(Test Data)
シャント音
の切り出し
識別
シャント音
(Training Data)
ラベリング
学習フェーズ
血管抵抗指数
RI < 0.6 or RI > 0.6
Classification of Arteriovenous Fistula Stenosis Using Shunt Murmur Analysis and
Random Forest (Fumiya Noda CISIS VENOA July. 2019)
システム構成図
① SVM
② ランダムフォレスト
① 周波数パワーの割合
② 正規化相互相関係数
③ MFCC

6. 血管抵抗指数(RI)の説明
血管抵抗指数(Resistance Index : RI)
-末梢への血流の流れにくさを反映する指標
5
引用元 : http://www.fukuoka-
vaccess.jp/blog/images_mt/%E3%81%A4%E3%81%8F%E3%
81%B0%E5%9B%BD%E9%9A%9B%E4%BC%9A%E8%AD%B
0%E5%A0%B420110922%E8%8C%A8%E5%9F%8E.pdf
超音波診断装置Noblus
引用:http://www.g-
mark.org/award/describe/39321
シャント管理における超音波パルスドップラ－法の有用性について
(Murakami 2003)

7. 従来研究の結果
6
課題 : 識別精度の向上
詳細な分類結果正答率
超音波診断装置で
測定された実際の値
0.6以上 0.6未満
SVMによる
識別結果
0.6
以上
83 67
0.6
未満
67 83
超音波診断装置で
測定された実際の値
0.6以上 0.6未満
RFによる
識別結果
0.6
以上
82 18
0.6
未満
68 132

8. 課題 : 識別精度の向上
提案 : アンサンブル学習を用いた識別
- モデルの組み合わせで精度向上が見込まれる
組み合わせるモデルの性能に依存
特徴量についても検討
提案手法
7
引用:https://datachemeng.com/ensemblelearning/

9. アンサンブル学習
8
モデルを複数作成、出力を組み合わせ判断を行う手法
- 様々なアルゴリズムを利用
- 同じアルゴリズム、異なるトレーニングセットを利用

10. 着眼点①
9
Amplitude
脈拍の個人差によって切り出される情報量が異なる
固定長切り出しによる問題点
識別精度に影響の可能性
シャント音切り出し方法の改善
Time(sec) 0.4s
0.8s
Amplitude

11. Time(sec)
Amplitude
Amplitude
Time(sec)
Amplitude
Time(sec)
一脈拍に対応するシャント音の切り出し
10
① 絶対値の算出
② 平滑化間引き処理
③ ピーク値の検出
④ ピーク値間の最小値の検出
⑤ 一脈拍に対応する
シャント音の切り出し

12. 着眼点②
11
Time(sec)
AmplitudeAmplitude
脈拍の個人差によって誤差が生じる
- データ長がそれぞれ異なる
- ピークとなる位置が異なる
一脈拍切り出しによる問題点
時間周波数情報に関係した
特徴量算出に影響する可能性
サンプル移動・伸縮処理を加えた
特徴量算出方法の提案
基準データ
比較データ
①データ調整処理
②サンプル移動・伸縮処理
③二次元特徴量

13. 特徴量算出方法①(データ調整)
12
伸縮処理
基準データ
比較データ
① 基準データから伸縮データを作成
② 比較データと同じデータ長のものを選択、正規化相互相関係数Rを算出
R
正規化相互相関係数
の算出

14. 伸縮データの作成方法
リサンプリングをすることで信号の伸縮を行う
13
リサンプリング
元信号
伸縮された信号
リサンプリング
元信号
伸縮された信号
Amplitude
Time(sec)

15. 特徴量算出方法②(移動伸縮処理)
14
R4
R2
R1
R3
R5
基準データ
比較データ
① 基準データから伸縮、前後にサンプル移動させたデータを作成
② 作成したデータと比較データから正規化相互相関係数Rを算出
正規化相互相関係数
の算出
サンプル移動
伸縮処理

16. サンプル移動データの作成
15
前方向移動 : 対応する時間のサンプル削除
後ろ方向移動 : 対応する時間分のゼロ埋め

17. 二次元特徴量
16
50(周波数領域)×10(時間領域)の二次元特徴量を作成
-時間周波数解析(STFT)で得られた結果を二次元特徴量に
-スペクトルの振幅が平均以上のとき1、以下のとき0の二値化
-伸縮処理とサンプル移動のデータ拡張も検討

18. 実験条件
17
実験条件
データ長 0.8秒(従来手法) 、一脈拍に対応したデータ長
学習データ数
240個
240個×データ拡張分(二次元特徴量)
テストデータ数 60個
識別器 二次カーネルSVM、RBFカーネルSVM、RF
条件
①シャント音固定長切り出し(従来手法)
②シャント音一脈拍切り出し
③データ調整
④サンプル移動・伸縮処理
⑤二次元特徴量
評価指標 正答率 F値
目的 : 提案手法による識別精度の確認

19. 評価指標の算出
18
正解率 =
𝑨 + 𝑫
𝑨 + 𝑩 + 𝑪 + 𝑫
適合率 =
𝑨
𝑨 + 𝑩
再現率 =
𝑨
𝑨 + 𝑪
Ｆ値 =
𝟐(再現率 × 適合率)
再現率 + 適合率
実際の状態
異常あり 異常なし
識
別
器
に
よ
る
予
測
異常あり A B(第一種の誤り)
異常なし C(第二種の誤り) D
第二種の誤り : 異常がある患者を正常と判断してしまう誤り
第一種の誤り : 正常である患者を異常と判断してしまう誤り

20. それぞれの識別における結果
19
正答率(%)
(SD : 標準偏差)
固定長 一脈拍
データ
調整
移動・伸縮
処理
二次元
特徴量
二次
カーネル
SVM
55.3%
(SD 0.114)
59.7%
(SD 0.077)
59%
(SD 0.056)
66%
(SD 0.045)
62.3%
(SD 0.120)
RBF
カーネル
SVM
63.3%
(SD 0.101)
63.7%
(SD 0.068)
62.3%
(SD 0.090)
67.7%
(SD 0.086)
69%
(SD 0.048)
RF 71.3%
(SD 0.081)
68%
(SD 0.104)
67%
(SD 0.107)
71.3%
(SD 0.089)
71.7%
(SD 0.103)
SVMに比べRFによる識別精度が高い傾向

21. アンサンブル学習を用いた正答率の結果
20
55.3
71.3 73.7
76.7
0
20
40
60
80
100
正答率(%)
固定長 二次カーネルSVM 固定長 RF 全体アンサンブル RF アンサンブル
RFアンサンブル : RFの5個の識別結果によるアンサンブル
全体アンサンブル : 15個の識別結果によるアンサンブル

22. アンサンブル学習を用いたF値の結果
21
0.553
0.656
0.711 0.722
0
0.2
0.4
0.6
0.8
F値
固定長 二次カーネルSVM 固定長 RF 全体アンサンブル RF アンサンブル
固定長SVM 固定長RF 全体アンサンブル RFアンサンブル
第二種の誤り率 44.7% 45.3% 35.3% 39.3%

23. まとめ
<目的>
シャント音からシャント機能をコンピュータを用いて識別する
<課題>
識別精度の向上
<提案>
アンサンブル学習を用いた検討
- 特徴量についての検討
一脈拍に対応したシャント音の切り出し
移動・伸縮処理を加えた特徴量の算出
<結果>
アンサンブル学習を用いた識別で従来手法よりも優れた識別精度が得られ、
F値も向上することが確認された
22