LightX3ECG: A Lightweight and eXplainable Deep Learning System for 3-lead Electrocardiogram Classification

Cet article présente LightX3ECG, un système d'apprentissage profond léger et explicable conçu pour détecter avec précision diverses anomalies cardiovasculaires en n'utilisant que trois dérivations d'électrocardiogramme (ECG).

L'essentiel

🫀 LightX3ECG : Le Détective du Cœur Économe et Transparent

Imaginez que le cœur est une usine électrique complexe. Pour vérifier si tout fonctionne bien, les médecins utilisent un outil appelé ECG (électrocardiogramme). Traditionnellement, pour avoir une vue d'ensemble parfaite, ils collent 12 capteurs (comme des caméras) sur le corps du patient. C'est comme avoir une équipe de 12 détectives qui observent l'usine sous tous les angles.

Mais dans la vraie vie, emporter 12 capteurs partout est lourd, cher et compliqué. Les médecins voudraient souvent se contenter de 3 capteurs (comme une petite équipe de 3 détectives) pour un diagnostic rapide, par exemple avec une montre connectée ou un petit appareil portable.

Le problème ? Les ordinateurs (les intelligences artificielles) sont souvent habitués à travailler avec les 12 capteurs. Quand on leur donne seulement 3, ils se perdent ou deviennent trop gros et lents pour fonctionner sur un petit appareil.

C'est là que LightX3ECG entre en jeu. C'est un nouveau système d'intelligence artificielle conçu spécifiquement pour être léger, rapide et honnête.

1. Les 3 Détectives Spécialisés (L'Architecture)

Au lieu de donner les 3 signaux à un seul gros cerveau, les chercheurs ont créé 3 petits cerveaux spécialisés.

• Imaginez que vous avez 3 experts : l'un regarde le signal de gauche, l'autre celui du milieu, et le troisième celui de droite.
• Chacun a son propre "microscope" (un réseau de neurones) pour analyser son signal en détail.
• Ensuite, ils se réunissent autour d'une table pour discuter.

2. Le Chef d'Orchestre Intelligents (L'Attention)

Une fois que les 3 experts ont fini leur analyse, comment décide-t-on de la conclusion ?

• Dans les anciens systèmes, on faisait une moyenne simple (comme si on prenait la moyenne des notes de 3 élèves). Ce n'est pas toujours juste.
• Avec LightX3ECG, il y a un Chef d'Orchestre (un module d'attention). Il écoute les 3 experts et se demande : "Celui-ci a vu quelque chose d'important, celui-là a vu un détail crucial, et le troisième n'a rien vu de spécial."
• Il donne plus de poids aux avis les plus pertinents pour prendre la décision finale. C'est comme un chef d'orchestre qui sait quand faire jouer les violons et quand laisser les cuivres se taire.

3. La Boîte Noire Transparente (L'Explicabilité)

C'est le point le plus important pour les médecins. Souvent, l'intelligence artificielle est une "boîte noire" : elle donne un résultat ("C'est une maladie !") mais ne dit pas pourquoi. Un médecin ne peut pas faire confiance à une boîte noire.

LightX3ECG est comme une boîte en verre.

• Grâce à une technique spéciale (appelée Grad-CAM), le système peut montrer exactement sur quelle partie du graphique il s'est concentré.
• Si le système dit "C'est une fibrillation", il peut colorier en rouge la zone du graphique où le rythme est irrégulier.
• C'est comme si le détective pointait du doigt la preuve sur le tableau noir et disait : "Regardez ici, c'est là que j'ai trouvé le problème." Cela rassure le médecin et permet de vérifier le diagnostic.

4. Le Rajeunissement (La Compression)

Les gros systèmes d'intelligence artificielle sont comme des éléphants : ils ont besoin de beaucoup de mémoire et d'énergie. Impossible de les mettre dans une montre connectée.

Les chercheurs ont appliqué une technique de "taille de prune" (pruning).

• Imaginez un arbre très touffu avec des milliers de branches. Beaucoup de ces branches sont petites et ne portent pas de fruits.
• LightX3ECG coupe 80 % de ces branches inutiles (les poids mathématiques inutiles).
• Résultat : L'arbre reste aussi productif (il donne toujours les bons fruits/diagnostics), mais il est beaucoup plus petit, plus léger et peut maintenant vivre confortablement dans un petit appareil portable.

🏆 Les Résultats en Bref

• Précision : Le système est extrêmement précis, même avec seulement 3 capteurs. Il bat les records précédents.
• Efficacité : Il est 3 fois plus petit et consomme beaucoup moins d'énergie que ses concurrents.
• Confiance : Il explique ses choix, ce qui est crucial pour la médecine.

En Résumé

LightX3ECG, c'est comme avoir un médecin expert, très rapide, qui tient dans votre poche, capable de diagnostiquer des problèmes cardiaques graves en regardant seulement 3 câbles, et qui a le courage de vous montrer exactement où il a vu le problème pour vous rassurer. C'est un pas de géant vers des soins cardiaques accessibles à tous, partout dans le monde.

Résumé technique

1. Problématique

Les maladies cardiovasculaires (MCV) constituent une menace majeure pour la santé mondiale. Le diagnostic précoce repose sur l'électrocardiogramme (ECG), considéré comme l'étalon-or. Cependant, l'ECG standard à 12 dérivations, bien que complet, est lourd, coûteux et nécessite un équipement clinique inaccessible dans de nombreuses régions, en particulier dans les pays à revenu faible ou intermédiaire.

Les dispositifs portables et wearables émergents ne capturent souvent qu'un sous-ensemble de dérivations (parfois une seule). L'objectif de cette recherche est de développer un système de classification des anomalies cardiovasculaires précis, léger (adapté aux contraintes matérielles) et explicable, capable de fonctionner uniquement avec trois dérivations ECG (I, II et V1), offrant ainsi un compromis optimal entre la facilité d'acquisition du signal et la performance de diagnostic.

2. Méthodologie

Le système proposé, nommé LightX3ECG, repose sur une architecture d'apprentissage profond conçue spécifiquement pour les données séquentielles 1D.

A. Architecture du Modèle (Backbones)

Au lieu de traiter les trois dérivations comme un seul bloc d'entrée (comme c'est souvent le cas pour les ECG à 12 dérivations), le système utilise une stratégie multi-entrée :

• Trois Backbones Distincts : Trois réseaux de neurones convolutifs 1D (1D-CNN) séparés traitent chaque dérivation (I, II, V1) individuellement.
• 1D-SEResNet Redessinés : Chaque backbone est une version optimisée du 1D-SEResNet18. Les modifications incluent :
  • L'utilisation de noyaux de convolution plus larges pour capturer des motifs temporels plus longs.
  • Le remplacement des convolutions standards par des Depth-wise Separable Convolutions (DSConv) pour réduire drastiquement le nombre de paramètres (réduction de 80 %).

B. Module d'Attention par Dérivation (Lead-wise Attention)

Pour fusionner les caractéristiques extraites par les trois backbones, les auteurs introduisent un module d'attention innovant :

• Les caractéristiques sont concaténées, passées à travers des couches denses (FC), de normalisation par lots (BatchNorm) et de dropout.
• Un module de Sigmoid génère des scores d'attention ($\alpha_i$) pour chaque dérivation, déterminant l'importance relative de chaque signal pour la prédiction finale.
• Une somme pondérée des caractéristiques est effectuée pour produire une représentation robuste avant la couche de classification finale (Fully Connected).

C. Explicabilité (XAI) : Lead-wise Grad-CAM

Pour rendre le modèle interprétable cliniquement, une technique d'IA explicable (XAI) adaptée est proposée :

• Lead-wise Grad-CAM : Adaptation de la méthode Grad-CAM classique. Au lieu de générer une seule carte d'activation, le système produit trois cartes de chaleur distinctes, une pour chaque dérivation d'entrée.
• Ces cartes sont pondérées par les scores d'attention ($\alpha_i$) issus du module d'attention, mettant en évidence les régions spécifiques (ondes P, complexes QRS, segments ST) qui ont contribué à la décision du modèle pour chaque canal.

D. Compression par Élagage (Pruning)

Pour rendre le système déployable sur des appareils à ressources limitées :

• Une technique d'élagage des poids (weights pruning) est appliquée après l'entraînement.
• 80 % des poids ayant la plus faible norme L1 (contribuant le moins à la prédiction) sont mis à zéro.
• Cela réduit la taille du modèle de 3 fois tout en maintenant une performance quasi identique.

3. Contributions Clés

1. Système de Classification 3-dérivations : Proposition d'une architecture multi-backbones avec attention, surpassant les méthodes existantes pour les ECG à 3 dérivations.
2. Nouvelle Technique XAI : Introduction du Lead-wise Grad-CAM, fournissant des explications cliniques granulaires par dérivation, ce qui est crucial pour la confiance des médecins.
3. Optimisation pour le Edge Computing : Application de l'élagage pour créer un modèle ultra-léger (6,52 Mo) sans sacrifier significativement la précision.
4. Validation Rigoureuse : Tests sur deux grands ensembles de données réels et validation de l'interprétabilité par des vérifications visuelles et des "sanity checks".

4. Résultats Expérimentaux

Les expériences ont été menées sur deux ensembles de données publics majeurs : Chapman (classification multi-classes) et CPSC-2018 (classification multi-étiquettes).

• Performance :
  • Chapman : Score F1 moyen de 0,9718 (précision > 97 %).
  • CPSC-2018 : Score F1 moyen de 0,8004.
  • Le système surpasse les méthodes de l'état de l'art (1D-ResNet34, 1D-SEResNet34, InceptionTime, TI-ResNet18) en termes de précision.
• Efficacité Computationnelle et Stockage :
  • Taille du modèle : Seulement 6,52 Mo (contre ~58 Mo pour les modèles comparables non compressés).
  • Complexité : 1,34 milliards d'opérations (FLOPs), le plus faible parmi les modèles comparés.
• Interprétabilité :
  • Les cartes d'activation générées correspondent parfaitement aux critères diagnostiques médicaux (ex: absence d'ondes P pour la fibrillation auriculaire, segments ST déprimés pour l'ischémie).
  • Le "sanity check" (test de randomisation des paramètres) a confirmé que les explications dépendent bien des paramètres du modèle et non du bruit.

5. Signification et Impact

L'article LightX3ECG représente une avancée significative dans le domaine de la santé numérique et de l'IA médicale :

• Accessibilité : Il démontre qu'un diagnostic cardiaque de haute qualité est possible avec des dispositifs portables à faible coût (3 dérivations), facilitant le déploiement dans les zones sous-équipées.
• Confiance Clinique : En intégrant l'explicabilité directement dans l'architecture (via Lead-wise Grad-CAM), le système répond au besoin critique de transparence des modèles "boîte noire" en médecine, permettant aux cardiologues de valider les décisions de l'IA.
• Déploiement Réel : La compression par élagage rend le modèle viable pour une exécution locale sur des appareils embarqués (wearables), favorisant le dépistage au point de soin et la surveillance continue.

En conclusion, LightX3ECG établit un nouvel état de l'art pour la classification des ECG à 3 dérivations, alliant précision, compacité et interprétabilité clinique.