A Neural Latent Dynamics Approach for Solving Inverse Problems in Cardiac Electrophysiology

Resumen Técnico: Un Enfoque de Dinámicas Latentes Neuronales para Resolver Problemas Inversos en Electrofisiología Cardíaca

1. Planteamiento del Problema

El artículo aborda el desafío de resolver problemas inversos en electrofisiología cardíaca, específicamente la identificación no invasiva de anomalías eléctricas cardíacas (tales como sitios de activación ectópica y regiones isquémicas) a partir de mediciones de electrocardiograma (ECG) de superficie. Esta tarea se formula matemáticamente como un problema de optimización restringido por ecuaciones diferenciales parciales (EDP), donde los parámetros fisiológicos desconocidos deben inferirse a partir de datos indirectos y espacialmente agregados.

La dificultad central reside en la severa mal planteación del problema, impulsada por la naturaleza suavizante del operador directo, las ubicaciones limitadas de medición y la no linealidad intrínseca de los modelos cardíacos. Además, los enfoques estándar que dependen de modelos computacionales de alta fidelidad (HF) (por ejemplo, ecuaciones Bidominio o Monodominio acopladas con modelos iónicos) son computacionalmente prohibitivos para la inversión iterativa. Las simulaciones HF a menudo requieren de minutos a horas por ejecución, lo que las hace inadecuadas para contextos de múltiples consultas como la cuantificación de incertidumbre, la calibración de parámetros o el apoyo a la toma de decisiones clínicas en tiempo real.

2. Metodología

Los autores proponen un marco basado en datos que reemplaza la evaluación repetida de modelos de alta fidelidad con un modelo sustituto eficiente basado en Redes de Dinámicas Latentes (LDNets). La metodología consta de tres componentes principales:

A. Modelo Directo de Alta Fidelidad (Generación de Verdad Terrena)
Para generar datos de entrenamiento, los autores resuelven las ecuaciones Monodominio acopladas con el modelo iónico de Ten Tusscher.

• Ecuaciones Gobernantes: El sistema describe el potencial transmembrana $v$, las variables de recuperación-puerta $w$ y las concentraciones iónicas $c$.
• Operador de Observación: Las señales de pseudo-ECG se calculan utilizando una aproximación de conductor de volumen infinito, integrando la densidad de corriente intracelular sobre el dominio cardíaco para determinar los potenciales en las ubicaciones de los electrodos de la superficie corporal.
• Solución Numérica: El modelo directo se resuelve utilizando el Método de Elementos Finitos (MEF) con elementos $Q1$ y un esquema de paso de tiempo implícito-explícito (IMEX) de primer orden.

B. Arquitectura Sustituta Directa (LDNet)
La innovación central es un operador sustituto neuronal $\mathcal{S} \approx \mathcal{G}$ que mapea parámetros de baja dimensión (por ejemplo, coordenadas de estímulo o descriptores de región isquémica) directamente a señales de pseudo-ECG.

• Dinámicas Latentes: La arquitectura aprende un estado latente de baja dimensión $s(t; p) \in \mathbb{R}^{n_s}$ cuya evolución está gobernada por una ecuación diferencial ordinaria neuronal (Neural ODE): $\frac{ds}{dt} = \text{NN}_{\text{dyn}}(s, p)$.
• Reconstrucción: Una segunda red neuronal, $\text{NN}_{\text{rec}}$, mapea el estado latente al espacio observable (señales de ECG en $N_{\text{leads}}$).
• Entrenamiento: Las redes se entrenan fuera de línea sobre un conjunto de datos de simulaciones HF para minimizar el error cuadrático medio (MSE) entre los ECG predichos y los de verdad terrena. Para el caso de isquemia de radio variable, se añade un término de regularización en el dominio de la frecuencia (basado en la Transformada Discreta de Fourier) a la función de pérdida para capturar características espectrales.

C. Estrategia del Problema Inverso
El problema inverso se resuelve minimizando un funcional de discrepancia $J(p) = \text{MSE}(\mathcal{S}(p), \text{pECG}_{\text{obs}})$ utilizando el sustituto entrenado.

• Inicialización: Para mitigar la no convexidad del paisaje de optimización, se emplea una estrategia de múltiples inicios. El dominio se divide en subdominios; el sustituto se evalúa en el centro de cada subdominio para encontrar el candidato que minimiza el error inicial de los datos.
• Optimización: La suposición inicial seleccionada se refina utilizando un método híbrido basado en gradientes que combina iteraciones de Adam y actualizaciones cuasi-Newton de segundo orden (BFGS). Para casos 3D, se utiliza un descenso de gradiente proyectado para asegurar que los parámetros permanezcan dentro de los límites físicos.

3. Contribuciones Clave

• Integración de LDNet: El artículo introduce la aplicación de Redes de Dinámicas Latentes a problemas inversos cardíacos, desacoplando con éxito el aprendizaje de las dinámicas temporales de la reconstrucción de cantidades observables.
• Eficiencia Computacional: El marco reduce drásticamente el costo computacional de la evaluación del operador directo durante el bucle de inversión, permitiendo una estimación de parámetros casi en tiempo real.
• Inicialización Robusta: Los autores proponen una estrategia específica de inicialización de múltiples inicios adaptada a la naturaleza no convexa del problema inverso de ECG, demostrando su necesidad en escenarios 3D donde son prevalentes problemas de identificabilidad.
• Regularización en el Dominio de la Frecuencia: Para el problema de isquemia de radio variable, la inclusión de un término de pérdida espectral mejora la identificabilidad de los parámetros al capturar oscilaciones sutiles en las señales de ECG.

4. Resultados Numéricos

El marco se validó sobre datos sintéticos en cuatro casos de prueba: activación ectópica 2D, isquemia 2D (radio fijo), isquemia 2D (radio variable) y activación ectópica 3D.

• Precisión del Sustituto Directo:
  • Casos 2D: El sustituto alcanzó valores de RMSE normalizado del orden de $10^{-3}$ a $10^{-4}$ con una disimilitud de Pearson inferior a $4 \times 10^{-3}$. Se encontró que la dimensión latente óptima era de 20–24 estados.
  • Caso 3D: Debido a la mayor complejidad geométrica, los errores fueron ligeramente superiores (RMSE normalizado $\approx 10^{-2}$), pero el modelo permaneció preciso con 20 estados latentes.
• Rendimiento del Problema Inverso:
  • Convergencia: La optimización inversa logró consistentemente pérdidas mínimas inferiores a $10^{-6}$ (2D) y $10^{-6}$ (3D).
  • Precisión: El método reconstruyó con alta precisión las ubicaciones de los estímulos y los centroides de las regiones isquémicas. En el caso 3D, la estrategia de múltiples inicios redujo las tasas de fallo asociadas a mínimos locales.
  • Velocidad: El tiempo promedio de optimización por instancia fue de aproximadamente 80 segundos para casos 2D y 640 segundos para casos 3D. Esto representa una reducción significativa en comparación con las horas requeridas para la inversión basada en HF, haciendo que el enfoque sea compatible con aplicaciones casi en tiempo real.
  • Uso de Recursos: El uso de memoria se mantuvo dentro de los límites estándar de CPU/GPU (por ejemplo, ~6–12 GB), y los tiempos de entrenamiento fueron manejables (10–110 horas dependiendo de la complejidad).

5. Significado y Afirmaciones

El artículo afirma que este trabajo representa un paso significativo hacia soluciones prácticas, no invasivas y basadas en datos para problemas inversos cardíacos. Al aprovechar las LDNets, los autores demuestran que es posible:

1. Eludir Cuellos de Botella Computacionales: Reemplazar costosas resoluciones de EDP con evaluaciones neuronales rápidas sin sacrificar la precisión requerida para la estimación clínica de parámetros.
2. Habilitar Aplicaciones de Múltiples Consultas: La sobrecarga computacional reducida hace que el marco sea adecuado para contextos que requieren evaluaciones repetidas, como la cuantificación de incertidumbre y el control óptimo.
3. Apoyar la Toma de Decisiones Clínicas: La capacidad de realizar una reconstrucción robusta de parámetros en casi tiempo real allana el camino para aplicaciones en la localización de fuentes de arritmias y la caracterización de la isquemia.

Los autores mantienen modestia respecto al alcance actual, señalando que los resultados se basan en datos sintéticos in-silico. Indican que el trabajo futuro se centrará en extender el marco a geometrías anatómicas realistas, incorporar datos específicos del paciente y mejorar la robustez frente al ruido y las incertidumbres del modelo antes de su despliegue clínico.