Rare-Class Collapse in ECG-Based Ventricular Tachycardia and Fibrillation Detection: A Systematic Benchmark of Class-Imbalance Mitigation from Reweighting to Cascade Classification

Résumé Technique : Effondrement de la Classe Rare dans la Détection de la Tachycardie Ventriculaire et de la Fibrillation par ECG

Énoncé du Problème
La détection automatisée des arythmies létales, spécifiquement la tachycardie ventriculaire (TV) et la fibrillation ventriculaire (FV), est gravement entravée par un déséquilibre de classe sévère dans les ensembles de données cliniques d'ECG. Dans ces contextes, les événements létaux constituent souvent moins de 22 % des segments. Ce déséquilibre entraîne un mode de défaillance appelé « effondrement de la classe rare » (rare-class collapse), où les classificateurs standards atteignent une précision globale élevée en prédisant principalement la classe majoritaire (rythme normal) tout en manquant une proportion significative d'événements potentiellement mortels. Les métriques d'évaluation conventionnelles, telles que l'exactitude (accuracy) et l'aire sous la courbe ROC (AUROC), masquent souvent cette défaillance clinique car elles sont dominées par le grand nombre d'échantillons négatifs. L'étude postule que sans une évaluation spécifique à un point de fonctionnement clinique fixe et sans l'utilisation de métriques axées sur la classe minoritaire, la sécurité de ces systèmes de détection ne peut être évaluée de manière fiable.

Méthodologie
L'étude a mené un benchmark systématique de six approches distinctes de gestion du déséquilibre en utilisant un ensemble de données regroupées de 15 614 segments d'ECG provenant de trois bases de données PhysioNet : VTaC, VFDB et CUDB. La cohorte finale présentait un ratio normal/létal d'environ 3,6:1.

• Prétraitement des données : Les signaux ont été échantillonnés à 250 Hz, filtrés par passe-bande (0,5–40 Hz), normalisés et segmentés en fenêtres non chevauchantes de 6 secondes (1 500 échantillons).
• Extraction de caractéristiques : Un ensemble de 22 caractéristiques manuelles (handcrafted) a été calculé par segment, englobant des statistiques temporelles (ex: amplitude absolue moyenne, taux de passage par zéro) et des propriétés fréquentielles (ex: entropie spectrale, fréquence dominante, rapports de puissance de bande).
• Cadre d'évaluation : Pour garantir la pertinence clinique, tous les modèles ont été évalués à un point de fonctionnement fixe de 95 % de spécificité (taux de fausse alerte de 5 %). La performance a été mesurée via le Rappel (Recall), l'aire sous la courbe précision-rappel (AUPRC) et le taux d'événements létaux manqués (MLER). Une analyse de la courbe de décision a été employée pour estimer le bénéfice clinique net.
• Modèles évalués :
  1. Base naïve : Régression logistique avec régularisation L2 sans pondération de classe.
  2. Repondération par fréquence inverse : Régression logistique avec des poids inversement proportionnels à la fréquence de la classe.
  3. Perte LDAM : Un perceptron multicouche (MLP) entraîné avec une perte de marge sensible à la distribution des étiquettes (Label-Distribution-Aware Margin loss) pour imposer des marges de décision plus larges pour la classe minoritaire.
  4. Entraînement sensible au coût : Un MLP entraîné avec une perte d'entropie croisée où manquer un événement létal est pénalisé 10 fois plus qu'une fausse alerte.
  5. Cascade à deux étapes : Un Random Forest de filtrage (haut rappel, poids de la minorité de 20) suivi d'un Random Forest équilibré pour filtrer les fausses alertes.
  6. Détection d'anomalies : Un Isolation Forest entraîné exclusivement sur des segments normaux pour détecter la TV/FV comme des anomalies.

Résultats Clés

• Échec des approches naïves : Le modèle de régression logistique naïf a atteint une exactitude de 84,1 % et une AUROC de 0,822, mais a souffert d'un effondrement de la classe rare, ne détectant que 45,1 % des événements létaux (MLER = 0,549). Il a manqué 564 des 1 027 événements létaux de l'ensemble de test.
• Efficacité limitée de la simple repondération : La repondération par fréquence inverse n'a apporté qu'une amélioration négligeable, augmentant le rappel à seulement 45,5 % et manquant 560 événements.
• Supériorité des modifications structurelles et objectives : Les méthodes modifiant l'objectif d'apprentissage ou l'architecture du modèle ont nettement surpassé la simple repondération.
  • LDAM a amélioré le rappel à 58,9 %.
  • L'entraînement sensible au coût a atteint un rappel de 61,8 % et la plus haute AUROC (0,927).
  • La cascade à deux étapes a obtenu la meilleure performance globale avec un rappel de 65,2 % et un AUPRC de 0,821. Cette approche a réduit le nombre d'événements létaux manqués de 37 % (de 564 à 357) par rapport à la base naïve, tout en maintenant un nombre similaire de fausses alertes.
• Disparité de performance selon la source : Une découverte critique fut la divergence de performance entre les types d'arythmie. Le modèle en cascade a atteint une détection quasi complète pour la FV (rappel jusqu'à 0,975 sur le jeu de données VFDB) mais a peu performé sur la TV organisée (rappel de seulement 0,183 sur le jeu de données VTaC).
• Limitations de l'espace des caractéristiques : L'analyse de la discrimination des caractéristiques (d de Cohen) a révélé que la caractéristique la plus discriminante (entropie spectrale) présentait une taille d'effet de seulement 0,52. L'étude attribue la faible détection de la TV à la similitude spectrale entre la TV organisée et le rythme sinusal rapide, suggérant que l'ensemble de caractéristiques manuelles impose un plafond de performance, quel que soit l'algorithme de classification utilisé.

Signification et Revendications
L'article affirme que le choix des métriques d'évaluation dicte fondamentalement la visibilité de l'échec des classes rares. En déplaçant l'attention de l'exactitude vers le rappel à une spécificité fixe et le taux d'événements létaux manqués, l'étude démontre que les techniques de repondération standard sont insuffisantes pour la détection des arythmies létales. La principale contribution est l'identification d'une limitation de l'espace des caractéristiques plutôt qu'une limitation de la conception du modèle pour la détection de la TV ; le chevauchement spectral entre la TV et le rythme sinusal rapide empêche les caractéristiques manuelles d'atteindre un rappel élevé.

Par conséquent, les auteurs soutiennent que pour un déploiement clinique, les systèmes de détection doivent être évalués sur le nombre d'événements manqués plutôt que sur la justesse globale. Ils concluent que bien que les cascades à deux étapes offrent actuellement la meilleure performance parmi les méthodes testées, l'amélioration future de la détection de la TV nécessitera probablement de dépasser les caractéristiques manuelles pour passer à des modèles apprenant directement à partir des formes d'ondes ECG brutes (ex: approches de deep learning). L'étude sert de preuve de concept méthodologique, soulignant que les systèmes actuels basés sur les caractéristiques possèdent un plafond pratique pour distinguer la TV des rythmes normaux.