An interpretable and explainable neural network to classify sports-related cardiac arrhythmias in professional football athletes

Cette étude présente un cadre d'intelligence artificielle explicable utilisant des réseaux de neurones convolutifs, dont un à base de sinc, pour classifier les arythmies cardiaques liées au sport chez les footballeurs professionnels, démontrant que le choix de l'architecture doit s'aligner sur la physiopathologie cardiaque sous-jacente pour optimiser la détection de rythmes périodiques versus des motifs morphologiques complexes.

L'essentiel

🏈 Le Grand Défi : Le Cœur des Champions

Imaginez que vous êtes un entraîneur de football professionnel. Vous avez une équipe de superstars. Vous voulez qu'elles jouent, mais vous avez peur : un cœur peut-il s'arrêter brutalement pendant un match ?

Chez les athlètes de haut niveau, le cœur s'adapte au sport (il devient plus fort, bat plus lentement au repos). C'est normal ! Mais parfois, ces adaptations ressemblent étrangement à des maladies dangereuses. C'est comme essayer de distinguer un vrai diamant d'un faux diamant qui brille exactement de la même façon.

Les médecins utilisent un électrocardiogramme (ECG), une sorte de "photo" du rythme cardiaque. Mais lire ces photos est difficile, même pour les humains. Alors, les chercheurs ont demandé de l'aide à l'intelligence artificielle (IA).

🤖 Le Problème : L'IA qui ne connaît pas le sport

Le problème, c'est que la plupart des IA sont entraînées avec des photos de cœurs de personnes âgées malades (qui vont à l'hôpital). Or, le cœur d'un footballeur de 25 ans, en pleine forme, est très différent !

C'est comme si vous appreniez à un chien à reconnaître des loups en lui montrant uniquement des photos de chiens de berger. Quand il verra un vrai loup (un athlète), il sera perdu.

🛠️ La Solution : Deux Détecteurs Spéciaux

Les chercheurs d'Oxford ont créé deux "détecteurs" (des réseaux de neurones) pour résoudre ce problème. Ils ont utilisé une astuce intelligente : l'adaptation de domaine. Ils ont pris l'IA entraînée sur les malades et l'ont "rééduquée" pour qu'elle comprenne les athlètes.

Mais ils ont fait quelque chose de spécial : ils ont comparé deux types de cerveaux artificiels :

1. Le Détecteur "Classique" (Convolution Standard) :

   • L'analogie : Imaginez un détective très curieux qui regarde tout : la forme des nuages, la couleur du ciel, la texture de l'herbe. Il apprend par cœur toutes les formes possibles sans se poser de questions sur la physique.
   • Son super-pouvoir : Il est excellent pour repérer des formes bizarres et complexes (comme des blocages électriques spécifiques).

2. Le Détecteur "Physiologique" (Convolution Sinc) :

   • L'analogie : Imaginez un ingénieur en acoustique qui porte des écouteurs spéciaux. Au lieu de tout entendre, il a des filtres qui ne laissent passer que certaines fréquences (comme les basses ou les aigus). Il ignore le bruit de fond pour se concentrer sur le "rythme" pur de la musique.
   • Son super-pouvoir : Il est très bon pour comprendre le rythme régulier du cœur (le battement normal), car il est programmé pour respecter les lois de la physique cardiaque.

🔍 Le Résultat : Qui gagne ?

Les chercheurs ont testé ces deux détecteurs sur des footballeurs professionnels espagnols. Voici ce qu'ils ont découvert :

• Pour le rythme normal (NSR) et le cœur lent (Bradycardie) :

  • Le Détecteur "Ingénieur" (Sinc) a gagné ! 🏆
  • Pourquoi ? Parce que le cœur d'un athlète bat lentement et régulièrement. L'ingénieur, avec ses filtres, a parfaitement capté cette régularité.

• Pour les formes complexes (IRBBB et TWI) :

  • Le Détective "Curieux" (Classique) a gagné ! 🏆
  • Pourquoi ? Ces conditions ressemblent à des déformations spécifiques de l'onde cardiaque. Le détective, qui regarde toutes les formes, a mieux reconnu ces "défauts" de forme que l'ingénieur trop rigide.

🧠 L'Explication : "Pourquoi as-tu dit ça ?"

Le plus gros problème de l'IA, c'est qu'elle est souvent une "boîte noire". On lui donne une photo, elle dit "C'est dangereux", mais on ne sait pas pourquoi.

Pour réparer ça, les chercheurs ont utilisé une technique appelée Grad-CAM.

• L'analogie : C'est comme si l'IA dessinait un cercle rouge sur la photo de l'ECG pour montrer exactement où elle a regardé pour prendre sa décision.
• La découverte :
  • Le Détecteur "Ingénieur" regardait les bonnes choses (le rythme entre les battements).
  • Le Détecteur "Curieux" regardait aussi les bonnes choses, mais parfois il se laissait distraire par des artefacts (comme des zones vides ajoutées par ordinateur pour préparer l'image).

💡 La Conclusion en une phrase

Pour diagnostiquer les cœurs d'athlètes, il ne faut pas un seul type d'IA. Il faut un mélange : un qui comprend la physique du rythme (pour le cœur normal) et un autre qui est expert en reconnaissance de formes complexes (pour les pathologies).

C'est comme avoir un médecin généraliste (qui connaît la physiologie) et un spécialiste des anomalies travaillant ensemble. Ensemble, ils peuvent mieux protéger les champions contre les arrêts cardiaques, en évitant de disqualifier à tort des joueurs sains !

---

Note : Cette recherche est encore en phase de "brouillon" (preprint) et n'a pas encore été validée par tous les pairs, mais elle ouvre une voie très prometteuse pour la sécurité des sportifs.

Résumé technique

Titre de l'étude

Réseau de neurones interprétable et explicable pour classifier les arythmies cardiaques liées au sport chez les athlètes de football professionnels.

1. Problématique

La mort subite cardiaque (MSC) présente un risque 2 à 3 fois plus élevé chez les athlètes que chez les non-athlètes, en particulier pendant l'effort. Le défi majeur réside dans la distinction entre les adaptations cardiaques physiologiques (bénignes, induites par l'entraînement, comme la bradycardie sinusale) et les pathologies cardiaques (potentiellement mortelles, comme certaines cardiomyopathies ou canalopathies).

L'électrocardiogramme (ECG) est l'outil de dépistage standard, mais son interprétation chez les athlètes est complexe en raison de l'ambiguïté des signes. Bien que l'intelligence artificielle (IA) puisse extraire des morphologies complexes, les modèles de "boîte noire" manquent souvent d'interprétabilité, ce qui limite leur adoption clinique. De plus, les données ECG spécifiques aux sportifs sont rares, contrairement aux grandes bases de données de population générale.

2. Méthodologie

Les auteurs proposent un cadre d'IA explicable (xAI) intégré, combinant analyse de données, interprétabilité du modèle et visualisation a posteriori.

• Données et Adaptation de Domaine :

  • Entraînement : Utilisation de la base de données PhysioNet Challenge 21 (88 253 ECGs de la population générale, 30 arythmies, 3 continents).
  • Test : Utilisation de la base PF12RED (161 ECGs de joueurs de football professionnels espagnols).
  • Objectif : Transférer les connaissances d'une population générale vers une population d'athlètes (adaptation de domaine) pour classer quatre rythmes spécifiques : Rythme Sinusal Normal (NSR), Bradycardie Sinusale (SB), Bloc de Branche Droit Incomplet (IRBBB) et Inversion de l'Onde T (TWI).

• Architecture des Modèles :
  Deux réseaux de neurones profonds (basés sur ResNet avec attention multi-têtes) ont été entraînés et comparés :

  1. Réseau à convolution standard : Utilise des couches de convolution classiques apprenant des motifs arbitraires.
  2. Réseau à convolution Sinc (Interprétable) : Utilise une première couche de convolution Sinc contrainte pour apprendre les fréquences de coupure (bas et haut) de filtres passe-bande. Cette contrainte force le modèle à se concentrer sur des plages de fréquences physiologiquement pertinentes (ex: onde P, complexe QRS, onde T) plutôt que sur des motifs mathématiques abstraits.

• Stratégie d'Entraînement et Évaluation :

  • Utilisation d'un ensemble (ensemble) de trois sous-unités avec vote majoritaire.
  • Optimisation des seuils de classification par algorithmes génétiques (différentielle évolution).
  • Explicabilité : Utilisation de Grad-CAM (Gradient-weighted Class Activation Mapping) pour visualiser les régions de l'ECG influençant la décision du modèle.
  • Métriques : AUROC, AUPRC et F1-score, adaptés aux données déséquilibrées.

3. Contributions Clés

1. Cadre xAI Holistique : Intégration de l'explicabilité des données (déséquilibre des classes), de l'interprétabilité du modèle (couche Sinc) et de l'explicabilité a posteriori (Grad-CAM) dans un pipeline unique.
2. Architecture Sinc pour l'ECG : Démonstration qu'une couche de convolution Sinc, en imposant une contrainte physiologique (fréquences), améliore l'interprétabilité et la performance pour les rythmes périodiques.
3. Analyse Comparative : Mise en évidence des forces et faiblesses distinctes des convolutions standards vs. Sinc selon le type d'arythmie (morphologique vs. fréquentielle).
4. Validation sur Données Sportives : Application réussie de l'adaptation de domaine pour détecter des adaptations cardiaques chez des athlètes de haut niveau à partir de données de population générale.

4. Résultats

• Performance Globale : Les deux modèles ont atteint un AUROC > 0,5 pour les quatre rythmes, prouvant la faisabilité de l'adaptation de domaine.
• Comparaison des Modèles :
  • NSR (Rythme Sinusal Normal) : Le modèle Sinc est supérieur (AUROC 0,75 vs 0,70). Il se concentre précisément sur l'intervalle PR.
  • SB (Bradycardie Sinusale) : Les deux modèles performent bien (AUROC ~0,73-0,74), le modèle standard étant légèrement meilleur.
  • IRBBB et TWI : Le modèle à convolution standard surpasse le modèle Sinc (IRBBB : 0,66 vs 0,58 ; TWI : 0,59 vs 0,54).
• Analyse Grad-CAM :
  • Le modèle Sinc se focalise sur des segments physiologiques pertinents (intervalle PR pour NSR/SB, onde T pour TWI).
  • Le modèle standard détecte mieux les changements morphologiques complexes (comme les motifs en "M" de l'IRBBB).
  • Limitation détectée : Les deux modèles, et particulièrement le modèle Sinc, accordent une importance excessive au "zero-padding" (remplissage par zéro), un artefact de prétraitement sans signification physiologique, ce qui peut dégrader les performances.

5. Signification et Conclusion

Cette étude démontre que l'architecture du modèle doit être alignée sur la physiopathologie sous-jacente de l'arythmie à détecter :

• Les convolutions Sinc sont idéales pour les rythmes basés sur la périodicité et la fréquence (comme le NSR), offrant une meilleure interprétabilité clinique.
• Les convolutions standards sont plus efficaces pour capturer des changements morphologiques complexes (comme l'IRBBB ou l'inversion de l'onde T).

Impact Clinique :
Le cadre xAI proposé permet non seulement de classifier les arythmies, mais aussi de comprendre pourquoi le modèle prend une décision. Cela est crucial pour le dépistage sportif, où il faut éviter à la fois les faux négatifs (risque de mort subite) et les faux positifs (exclusion injustifiée d'athlètes sains).

Limites et Perspectives :
Les auteurs soulignent les défis liés au déséquilibre sévère des classes et au décalage de distribution entre les données d'entraînement et de test. Ils suggèrent que de futures recherches doivent intégrer des techniques comme la Dynamic Time Warping pour éviter les artefacts de remplissage et développer des ensembles de données spécifiques aux athlètes pour affiner la stratification des risques.