Towards Deep Learning Surrogate for the Forward Problem in Electrocardiology: A Scalable Alternative to Physics-Based Models

Technische Samenvatting: Deep Learning Surrogaat voor het Voorwaartse Probleem in de Elektocardiologie

Probleemstelling
Het voorwaartse probleem in de elektocardiologie omvat het berekenen van lichaamsoppervlaktepotentialen (elektrocardiogram- of ECG-signalen) vanuit de elektrische activiteit van het hart. Traditioneel wordt dit opgelost met natuurkundige modellen, zoals de bidomein- of monodomeinvergelijkingen, die doorgaans worden geïmplementeerd via de eindige elementenmethode (finite element method). Hoewel deze modellen accuraat zijn, zijn ze computationeel intensief, wat een flessenhals vormt voor real-time toepassingen en grootschalige klinische implementaties, zoals de kalibratie van patiëntspecifieke cardiale digitale tweelingen of de generatie van simulatielibrariën voor therapeutische begeleiding. Er is een kritieke behoefte aan schaalbare, computationeel efficiënte alternatieven die een hoge getrouwheid kunnen behouden zonder de prohibitieve kosten van traditionele solvers.

Methodologie
De auteurs stellen een proof-of-concept deep learning (DL) raamwerk voor, ontworpen als een surrogaat voor conventionele voorwaartse solvers. De aanpak brengt sequenties van 2D hartvoltage-propagatiemappen direct in kaart naar ECG-signalen met behulp van een tijdafhankelijke, op aandacht gebaseerde sequentie-naar-sequentie architectuur.

• Datageneratie: Een dataset van 300 2D weefselmodellen (200 x 200 mm) werd gegenereerd door de monodomeinvergelijking op te lossen met een atriumvariante van het Fenton-Karma celmodel. De simulaties bestreken vier verschillende weefselcondities: gezond, gap junction remodeling, fibrotische remodeling en gecombineerde remodeling. Extracellulaire potentialen werden berekend met behulp van een standaard integraalvergelijking die de transmembraanpotentiaal en diffusiecoëfficiënten relateert aan het observatiepunt.
• Modelarchitectuur:
  • Encoder: Een twee-blokken convolutioneel neuraal netwerk (CNN) met batch normalisatie, ReLU-activaties, pooling en dropout verwerkt de input voltage-kaarten. Deze worden geflatterd en door een volledig verbonden laag geleid om latente vectoren te produceren.
  • Aandachtsmechanisme (Attention Mechanism): Het model maakt gebruik van Bahdanau additive attention, versterkt met sinusvormige tijd-embeddings. Dit stelt het model in staat om aandachtsgewichten te berekenen op basis van de huidige decoderstatus, latente vectoren en expliciete tijd-embeddings, wat het mogelijk maakt om latente vectoren te prioriteren op basis van zowel de voltage-inhoud als de temporele sequentie.
  • Decoder: Een LSTM-gebaseerde decoder ontvangt de vorige verborgen toestanden, de door aandacht afgeleide contextvector, de huidige encoder latente vector en een tijd-embedding. Het geeft de volgende ECG-waarde uit via lineaire lagen, wat de temporele consistentie waarborgt.
• Verliesfunctie (Loss Function): Er is een hybride verliesfunctie geïntroduceerd om de getrouwheid in zowel het tijdsdomein als het frequentiedomein te bewaren:
  • Tijdsdomein: Een Huber-loss ($\mathcal{L}_H$) zorgt voor morfologische accuratesse en robuustheid tegen uitschieters.
  • Frequentiedomein: Een spectrale entropie-loss ($\mathcal{L}_{SE}$) minimaliseert het verschil in Shannon-entropie tussen de vermogensspectrale dichtheden van de voorspelde en de werkelijke signalen. Deze term stimuleert het behoud van de spectrale complexiteit van het signaal.
  • Trainingsschema: De totale loss is een gewogen som waarbij het gewicht van de spectrale entropie-term een cosine decay-schema volgt. Dit benadrukt spectrale regularisatie in de vroege trainingsfasen en verschuift de focus geleidelijk naar accuratesse in het tijdsdomein.

Belangrijkste Resultaten

• Prestaties: Het model behaalde een gemiddelde $R^2$-score van $0,99 \pm 0,01$ op de hold-out testset, wat duidt op een nauwe overeenkomst met de in-silico grondwaarheid.
• Ablatiestudies: Het verwijderen van een component (CNN-encoder, tijd-bewuste aandacht of spectrale entropie-loss) resulteerde in verminderde prestaties.
  • De spectrale entropie-loss verbeterde specifiek de accuratesse ($p < 0,05$) in homogene (gezonde) weefselcondities, ondanks dat de trainingsset gedomineerd werd door heterogene gevallen.
  • In heterogene condities (fibrotische en gap junction-geremodeleerde weefsels) veranderde de spectrale entropie-term de prestaties niet significant ten opzichte van de baseline, hoewel deze onderdeel bleef van de optimale configuratie.
• Generalisatie: Het model generaliseerde succesvol over verschillende pathologieën van het weefsel, inclus�nd grote niet-geleidende patches en variërende diffusiecoëfficiënten.

Betekenis en Claims
Het artikel beweert de eerste studie te zijn die deep learning specifiek toepast op het voorwaartse probleem in de elektocardiologie om voltage-propagatiepatronen naar extracellulaire signalen te mappen. De primaire betekenis ligt in het aantonen dat DL kan dienen als een schaalbaar, kosteneffectief alternatief voor natuurkundige solvers. Door gebruik te maken van de parallelle verwerkingscapaciteiten van DL, biedt deze aanpak een weg om computationele barrières te overwinnen in:

1. Klinische Implementatie: Het mogelijk maken van routinematige, tijdgevoelige toepassingen.
2. Digitale Tweelingen: Het faciliteren van de snelle kalibratie van patiëntspecifieke modellen.
3. Therapeutische Begeleiding: Het ondersteunen van de creatie van grootschalige simulatielibrariën voor het lokaliseren van aritmische locaties.

De auteurs hanteren een bescheiden standpunt en merken op dat hoewel het model goed presteert op 2D in-silico data, toekomstig werk vereist is om dit uit te breiden naar 3D patiëntspecifieke geometrieën en om de prestaties te valideren tegen experimentele data, met name om te bepalen of DL getraind op experimentele data de huidige state-of-the-art bidomein-oplossingen kan overtreffen.