Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

Les maladies cardiaques demeurent la principale cause de décès dans le monde, coûtant la vie à près de 18 millions de personnes chaque année. Cette pathologie résulte d'un mélange complexe de facteurs, notamment l'âge, la pression artérielle, les taux de cholestérol et les habitudes de vie comme le tabagisme. Bien que les médecins s'appuient sur des examens physiques et des tests spécialisés pour diagnostiquer ces problèmes, de telles méthodes peuvent être coûteuses et nécessiter la disponibilité de spécialistes rares. Cela a stimulé la recherche de systèmes informatiques capables d'aider à prédire les risques, agissant comme un complément évolutif aux soins traditionnels. Cependant, la construction de ces systèmes se heurte à un obstacle persistant : les données dont ils apprennent sont souvent désordonnées, incomplètes ou issues de petits groupes de patients qui ne représentent pas la population plus large. Lorsqu'un modèle informatique est entraîné sur un ensemble d'informations restreint, il échoue souvent face à un nouveau patient qui présente un profil différent sur le papier, ce qui conduit à des prédictions peu fiables.

Pour relever ce défi, les chercheurs K. Padmini, Nilesh V. Ingale et V. Aruna ont développé une nouvelle approche appelée « Cardio Fusion ». Au lieu de s'appuyer sur un seul algorithme informatique pour établir un diagnostic, ils ont créé un système qui imite une équipe de spécialistes travaillant ensemble. L'architecture est conçue pour traiter simultanément deux types de données médicales très différents. Un flux traite les dossiers standards des patients, tels que l'âge, la pression artérielle et le cholestérol, qui sont stockés sous forme de tableaux. L'autre flux est conçu pour analyser des images médicales ou des tracés de rythme cardiaque, connus sous le nom d'électrocardiogrammes. En traitant ces deux sources d'information séparément avant de combiner leurs conclusions, le système vise à être plus robuste et adaptable aux diverses manières dont les maladies cardiaques se manifestent chez différentes personnes.

Le cœur de cette nouvelle méthode repose sur un processus de sélection minutieux avant toute prédiction. Les dossiers médicaux contiennent souvent des dizsses de mesures, dont beaucoup sont des indicateurs faibles de la maladie ou de simples bruits de fond. Les chercheurs ont utilisé une technique mathématique pour passer au crible ces données et identifier uniquement les prédicteurs les plus puissants pour chaque groupe spécifique de patients. Par exemple, dans un vaste ensemble de données, le système a déterminé que la pression artérielle systolique, l'âge et le taux de glucose étaient les facteurs les plus critiques, tandis que dans un autre ensemble de données, d'autres mesures prenaient le dessus. Cela garantit que l'ordinateur n'est pas distrait par des détails non pertinents. Une fois les caractéristiques les plus importantes sélectionnées, le système les injecte dans une « branche tabulaire », qui est une équipe hybride de quatre algorithmes différents travaillant de concert. Cette équipe comprend un réseau de neurones profonds — un outil complexe de reconnaissance de formes — aux côtés de trois classifieurs plus traditionnels. Ces quatre modèles votent sur le résultat, la décision finale étant pondérée par la confiance de chaque modèle dans sa propre réponse.

Parallèlement, le système comprend une « branche d'imagerie » capable d'analyser des scanners cardiaques ou des signaux électriques à l'aide de modèles d'apprentissage profond avancés. Ces modèles sont conçnés pour repérer des motifs visuels subtils qui pourraient échapper à l'œil humain. Crucialement, les deux branches fonctionnent indépendamment. Si un hôpital ne possède que les dossiers des patients et aucune image, le système peut toujours fonctionner en utilisant uniquement la branche tabulaire. Si des images sont disponibles, le système les traite séparément, puis fusionne les deux conclusions. Cette conception permet au cadre d'être testé sur une grande variété d'ensembles de données, des petites collections vieilles de plusieurs décennies aux archives massives et modernes contenant des dizaines de milliers de patients.

Les chercheurs ont testé leur système sur six ensembles de données différents pour voir comment il résisterait à la pression. Sur un ensemble de données classique et plus restreint, connu sous le nom de référence Cleveland, le système a atteint une précision de 96,5 %. Ce résultat est compétitif avec les meilleures méthodes existantes. Cependant, le véritable test d'un outil médical est de savoir s'il fonctionne sur des populations plus larges et plus diverses. L'équipe a réimplémenté l'intégralité de son système sur un second ensemble de données, beaucoup plus vaste, provenant de Kaggle, qui contenait plus de 68 000 dossiers de patients. Dans ce test plus large, le système a atteint une précision de 73,95 % et une forte capacité à distinguer les patients malades des patients sains, mesurée par un score de 80,57 %.

La baisse de précision entre le petit ensemble de données et le plus grand n'était pas un échec du système, mais plutôt un reflet des données elles-mêmes. Le plus grand ensemble de données ne contenait que des informations sur le mode de vie et les signes vitaux, manquant des données détaillées sur le rythme cardiaque et les douleurs thoraciques disponibles dans les ensembles de données plus petits et plus spécifiques. Les chercheurs ont constaté que, peu importe la sophistication de l'algorithme, celui-ci ne peut prédire ce qu'on ne lui donne pas. Cette conclusion souligne un point clé de l'étude : le simple fait de nourrir un ordinateur avec plus de données ne garantit pas de meilleurs résultats. Au contraire, la qualité des caractéristiques sélectionnées et la manière dont les différents modèles sont combinés sont bien plus importantes. L'étude soutient qu'un système hybride bien régularisé — un système qui empêche l'ordinateur de mémoriser le bruit et le force à apprendre des schémas généraux — est plus fiable qu'un algorithme unique et complexe.

En combinant une sélection de caractéristiques optimisée avec une architecture à double flux, le cadre de Cardio Fusion démontre qu'il est possible de construire un outil de prédiction qui soit à la fois précis et flexible. Il performe bien sur de petits ensembles de données spécifiques tout en conservant sa structure pour gérer des ensembles plus vastes et hétérogènes. Les chercheurs notent que si leur système est une étape importante, il ne s'agit pas d'une solution finale. Les travaux futurs consisteront à tester le système sur des cohortes encore plus diverses et à intégrer des outils capables d'expliquer pourquoi l'ordinateur a fait une prédiction spécifique, aidant ainsi les médecins à faire confiance aux conseils de la machine. Pour l'instant, l'étude offre une voie claire vers des outils plus fiables et généralisables qui pourraient un jour siéger aux côtés des médecins, aidant à identifier les risques de maladies cardiaques chez des patients qui pourraient autrement passer inaperçus.