Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift

Le cœur humain bat selon un rythme qui est à la fois biologique et électrique, envoyant des signaux à travers la poitrine que les médecins lisent depuis plus d'un siècle à l'aide d'une machine appelée électrocardiogramme, ou ECG. Ces machines produisent une ligne dentelée sur un écran, un enregistrement visuel de l'activité électrique du cœur qui révèle si l'organe bat normalement ou s'il lutte contre une arythmie. Pendant des décennies, la tâche d'interprétation de ces lignes est revenue à des experts humains, mais le volume considérable de données provenant des appareils connectés et des moniteurs hospitaliers a rendu nécessaire d'apprendre aux ordinateurs à faire ce travail. Au cours des dernières années, l'intelligence artificielle est devenue l'outil de choix, avec des systèmes d'apprentissage profond (deep learning) entraînés pour reconnaître des motifs dans les battements cardiaques qui pourraient être invisibles à l'œil nu. Cependant, un problème persistant demeure : un programme informatique qui apprend à lire les battements cardiaques parfaitement dans un hôpital échoue souvent lorsqu'on lui demande de lire les battements cardiaques d'un autre hôpital, d'une machine différente ou d'un groupe de personnes différent. Cela se produit parce que les données de différentes sources se ressemblent légèrement, créant un fossé que l'ordinateur ne peut pas franchir facilement sans réentraînement.

Des chercheurs de l'Université de science et de technologie Kwame Nkrumah au Ghana ont entrepris de voir s'ils pouvaient aider ces modèles d'intelligence artificielle à franchir ce fossé sans avoir besoin de voir les nouvelles données au préalable. Ils ont posé une question simple : si un ordinateur apprend à reconnaître un battement cardiaque en observant la forme brute de l'onde, bénéficierait-il également de l'apport de faits spécifiques et mesurables sur ce battement, tels que la durée de l'onde ou l'écart entre les battements ? Pour tester cela, ils ont construit un système qui combine deux manières d'observer le cœur. Une partie du système utilisait un réseau neuronal puissant et moderne pour apprendre des motifs complexes directement à partir du signal brut, un peu comme un étudiant mémorisant des milliers d'exemples. L'autre partie du système utilisait une méthode traditionnelle basée sur des règles pour mesurer des intervalles et des formes spécifiques, extrayant un ensemble de quarante faits numériques clairs sur le rythme et la temporalité du battement. Ils ont entraîné ce système combiné sur les données cardiaques d'une grande base de données bien connue, puis l'ont testé sur une base de données complètement différente que le système n'avait jamais vue auparavant, garantissant qu'aucune information du nouvel ensemble de test n'était utilisée pour ajuster le modèle pendant l'entraînement.

Les résultats ont montré que l'ajout des faits explicites et mesurés au modèle d'apprentissage profond faisait une réelle différence. Lorsque le système a été testé sur la base de données externe inédite, la version qui n'utilisait que la reconnaissance de formes brutes a eu du mal à classifier correctement les battements cardiaques, obtenant un score qui reflétait une difficulté significative face aux nouvelles données. Cependant, la version qui combinait les formes brutes avec les quarante faits mesurés a obtenu des performances nettement meilleures. L'amélioration n'était pas une petite fluctuation ; l'analyse statistique a confirmé que le gain était réel et non dû au hasard. Le système hybride, qui utilisait à la fois les motifs d'apprentissage profond et les mesures explicites, identifiait plus souvent correctement le type de battement cardiaque que le système d'apprentissage profond seul. Cela suggère que les deux méthodes regardent le cœur sous des angles différents. Le modèle d'apprentissage profond était bon pour reconnaître la forme globale d'un battement unique, mais il manquait le contexte de ce qui se passait avant et après ce battement. Les faits mesurés, qui incluaient le temps entre les battements et le rythme, fournissaient ce contexte manquant, agissant comme un pont qui aidait l'ordinateur à comprendre les nouvelles données même s'il ne les avait jamais vues auparavant.

Les chercheurs ont découvert que l'information la plus précieuse que le système a tirée des faits mesurés était le rythme lui-même. Lorsqu'ils ont temporairement bloqué le système pour l'empêcher de voir le timing entre les battements, ses performances ont chuté davantage que lorsqu'ils bloquaient tout autre type d'information. Cela est logique car le modèle d'apprentissage profond a été entraîné sur des fenêtres isolées d'une seconde de battements cardiaques, il ne savait donc pas naturellement à quelle vitesse le cœur battait globalement ou à quel point le rythme était régulier. Les mesures explicites ont comblé cette lacune, donnant au système une vue plus large du comportement du cœur. Bien que le modèle d'apprentissage profond seul puisse gérer la majorité des battements normaux, il a éprouvé des difficultés avec les types plus complexes et rares de rythmes irréguliers face à la nouvelle base de données. L'ajout des faits mesurés a aidé le système à mieux gérer ces cas difficiles, améliorant sa capacité à distinguer les différents types d'arythmies.

Il est important de noter que cette amélioration était spécifique au défi du passage d'une base de données à une autre. Lorsque les chercheurs ont testé le système sur des données provenant du même hôpital où il a été entraîné, le bénéfice de l'ajout des faits mesurés était beaucoup plus faible et n'était pas statistiquement significatif. Cela nous indique que l'information supplémentaire n'est pas un booster général pour toutes les situations, mais plutôt un outil spécifique qui aide l'ordinateur à s'adapter lorsque les données changent de manière inattendue. L'étude n'a pas prétendu avoir résolu le problème du diagnostic des maladies cardiaques, ni suggéré que ces modèles soient prêts pour une utilisation immédiate dans chaque clinique. Les chercheurs ont pris soin de préciser que leur système éprouvait toujours des difficultés avec les types de battements les plus rares, simplement parce qu'il y avait trop peu d'exemples de ceux-ci dans les données de test pour apprendre. De plus, le système reposait sur une seule dérivation du signal cardiaque, alors que les dispositifs médicaux du monde réel utilisent souvent plusieurs dérivations pour obtenir une image plus complète.

Malgré ces limites, ce travail offre une voie claire à suivre. Il démontre que nous n'avons pas à choisir entre la puissante reconnaissance de formes de l'intelligence artificielle moderne et les mesures interprétables et fiables de la médecine traditionnelle. Au contraire, les deux peuvent travailler ensemble. En alimentant un modèle d'apprentissage profond à la fois par le signal brut et par un ensemble de faits clairs et validés sur la temporalité et la forme du cœur, les chercheurs peuvent créer des systèmes plus robustes et mieux capables de gérer la réalité désordonnée des données provenant de sources différentes. Cette approche suggère que l'avenir de la surveillance cardiaque automatisée ne réside peut-être pas dans le remplacement du savoir humain par les machines, mais dans l'apprentissage aux machines à respecter et à utiliser les vérités spécifiques et mesurables sur lesquelles les médecins humains comptent depuis des générations. L'étude conclut que si le modèle d'apprentissage profond fournit une base solide, l'ajout de faits physiologiques apporte une couche de compréhension complémentaire qui aide le système à voir le cœur plus clairement, même lorsque la perspective change.