Neural Surrogate Forward Modelling For Electrocardiology Without Explicit Intracellular Conductivity Tensor

Riepilogo Tecnico: Modellazione Inversa Sostitutiva Neurale per l'Elettrocardiologia

Enunciato del Problema
Una modellazione inversa accurata è un prerequisito per l'elettrofisiologia cardiaca non invasiva, in particolare per il problema inverso di ricostruire l'attivazione cardiaca dai potenziali sulla superficie corporea. Ciò è critico nel contesto della fibrillazione atriale (FA), dove l'attivazione elettrica è altamente disorganizzata. I modelli inversi basati sulla fisica convenzionale si affidano alla specifica esplicita dei tensori di conduttività intracellulare, che includono la conduttività tissutale, la direzione delle fibre miocardiche e i rapporti di anisotropia. Tuttavia, questi parametri non possono essere misurati direttamente nella pratica clinica di routine e devono essere assunti o stimati. Questa necessità introduce errori strutturali di modellazione che si propagano nelle soluzioni inverse, limitando l'accuratezza delle ricostruzioni non invasive. Sebbene i precedenti sforzi si siano concentrati sul perfezionamento delle proprietà elettriche del torace, l'errore introdotto dai tensori di conduttività intracellulare assunti rimane una barriera significativa.

Metodologia
Questo studio propone un framework di deep learning (DL) che apprende una mappatura diretta dai potenziali elettrici intracellulari dell'atrio sinistro (AS) agli ECG a campo lontano derivati dalla derivata II, aggirando la necessità di input espliciti di conduttività intracellulare al momento dell'inferenza.

• Generazione dei Dati: L'elettrofisiologia atriale è stata simulata utilizzando la piattaforma openCARP con un modello monodominio e una formulazione cellulare Courtemanche–Ramírez–Nattel adattata alla FA. Le simulazioni hanno utilizzato 93 mesh superficiali dell'AS specifiche per il paziente (74 utilizzate per addestramento/convalida/test dopo l'esclusione di 7 per instabilità) con orientamenti delle fibre mappati da un atlante. Sebbene la velocità di conduzione (0,7 ms⁻¹) e i rapporti di anisotropia (4:1) fossero fissi, gli orientamenti delle fibre specifici del soggetto hanno generato campi tensoriali di conduttività dipendenti dalla geometria e variabili spazialmente. Gli ECG derivati dalla II sono stati calcolati tramite il metodo del conduttore a volume infinito e filtrati (0,05–60 Hz) per conformarsi agli standard clinici.
• Architettura dell'Encoder: Il modello impiega un'architettura sequenza-sequenza. L'encoder mappa le coordinate 3D e le tensioni transmembrana sulla superficie atriale in un vettore latente a dimensionalità fissa attraverso tre flussi di caratteristiche distinti:
  1. Codifica Geometrica Locale: Utilizza DiffusionNet con operatori geometrici precalcolati (laplaciano cotangente, matrice di massa, gradienti intrinseci e coppie di autovalori/autofunzioni di Laplace–Beltrami) per estrarre embedding locali robusti ai cambiamenti di densità della mesh.
  2. Propagazione Spettrale Globale: Applica una funzione di risposta spettrale apprendibile, $g(\lambda) = e^{-s\lambda} + b$, alle caratteristiche locali utilizzando le prime 64 autofunzioni di Laplace–Beltrami. Ciò consente un'accoppiamento efficiente a lungo raggio e consapevole della geometria senza l'effetto di eccessivo livellamento associato ai blocchi di diffusione impilati.
  3. Proiezione delle Tensioni Grezze: Un MLP leggero mappa i valori di tensione grezzi in vettori di caratteristiche per preservare le transizioni di tensione nette.
     Questi flussi sono fusi tramite un meccanismo di gating per nodo (coefficienti normalizzati con softmax) e sintetizzati utilizzando una procedura di quadratura guidata dalle Coordinate Atriali Universali (UAC), incorporando pooling ponderato per la massa e statistiche globali della tensione.
• Architettura del Decoder: Il decoder mappa la sequenza latente nella traccia ECG utilizzando embedding temporali sinusoidali, attenzione Bahdanau consapevole del tempo e una rete LSTM. Calcola le differenze latenti ($\Delta z_t$) per catturare transizioni temporali rapide e utilizza una procedura autoregressiva per generare l'intera forma d'onda.
• Addestramento: Il modello è stato addestrato su 74 soggetti (split 80/10/10) utilizzando una funzione di perdita ibrida che combina una perdita temporale di Huber e una perdita di entropia spettrale (ponderata da un programma di decadimento coseno) per penalizzare le differenze nelle densità spettrali di potenza.

Risultati Chiave
Il framework proposto ha raggiunto un coefficiente di determinazione ($R^2$) di 0,949 ± 0,037 e un errore assoluto medio (MAE) di 0,0036 ± 0,0015 mV sul set di test. Il modello ha previsto con successo la morfologia e il tempismo dell'ECG con alta fedeltà, come dimostrato negli esempi rappresentativi in cui i segnali previsti corrispondevano strettamente alle forme d'onda di verità fondamentale. Uno studio di ablazione ha confermato che la rimozione di componenti specifici dell'encoder ha portato a una diminuzione delle prestazioni.

Significato e Affermazioni
Questo lavoro presenta una prova di concetto per una soluzione inversa basata sui dati in elettrocardiologia che elimina la necessità di una specifica esplicita della conduttività intracellulare durante l'inferenza. Imparando a tenere conto degli effetti di conduzione anisotropa implicitamente attraverso orientamenti delle fibre specifici del soggetto nei dati di addestramento, il modello riduce l'incertezza strutturale associata ai tensori di conduttività assunti. Gli autori affermano che questo approccio ha il potenziale di migliorare l'accuratezza delle soluzioni inverse di elettrofisiologia atriale, in particolare nel contesto impegnativo della FA. Lo studio suggerisce che, sebbene il modello attuale sia stato addestrato su una coorte relativamente piccola (74 soggetti), l'incorporazione di dataset più ampi e diversificati potrebbe migliorare ulteriormente la generalizzabilità. Le direzioni future identificate dagli autori includono l'estensione del framework a geometrie dell'intero cuore o biatriali, la previsione simultanea di più derivazioni ECG e la modellazione di ECG associati ad attività elettrica reentrante.