Apprentissage automatique spatiotemporel sur l'imagerie du potentiel de surface corporelle sans scanner aidé par la modélisation multi-échelle pour la personnalisation du traitement de la fibrillation auriculaire

Spatiotemporal machine learning on scanner-free body surface potential imaging aided by multiscale modeling for personalized atrial fibrillation treatment

• Auteur / Autrice : Yingjing Feng
• Direction : Edward Vigmond
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Soutenance le 14/12/2021
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Bordeaux
• Jury : Président / Présidente : Gernot Plank
• Jury : Examinateurs / Examinatrices : Edward Vigmond, Molly Maleckar, Frédéric Sacher, Maria Guillem
• Jury : Rapporteur / Rapporteuse : Gernot Plank, Molly Maleckar

Mots clés

Mots clés contrôlés

Modèles mathématiques

Fibrillation auriculaire

Apprentissage automatique

Imagerie médicale

Mots clés libres

Fibrillation auriculaire

Cartographie du potentiel de surface corporelle

Ablation par cathéter

Apprentissage profond géométrique

Apprentissage automatique

Jumeau numérique

Atrial fibrillation

Body surface potential map

Catheter ablation

Geometric deep learning

Machine learning

Digital twin

Résumé

La fibrillation auriculaire (FA) est une activation rapide et irrégulière des oreillettes. Elle est l'arythmie clinique la plus courante. Le premier traitement préconisé est l’ablation par cathéter. Cette procédure est la plus efficace et améliore la qualité de vie. Néanmoins les protocoles standards utilisés démontrent un succès à long terme sous-optimal, justifiant la nécessité de mettre en place une ablation personnalisée. Les cartographies des potentiels à la surface corporelle (CPSC) sont des signaux électriques enregistrés sur le torse par un réseau d'électrodes, fournissant ainsi une vue panoramique non-invasive des oreillettes. Il est cependant difficile d'interpréter les CPSC pour le traitement de la FA. Cette thèse vise à développer de nouveaux algorithmes d'apprentissage automatique pour interpréter les CPSC afin de proposer un traitement personnalisé de la FA, sans faire appel à la résolution du problème inverse. À l'aide d'une modélisation multi-échelle un ensemble de données synthétiques a été généré. Il est composé d’environ 3000 épisodes de FA détaillés, ainsi que les CPSC à 252 dérivations et les électrocardiogrammes (ECG) à 12 dérivations, représentatifs des patients atteints de FA. Cet ensemble constitue notre base de données d'entraînement pour le développement des algorithmes et il permet d’expliquer les bases biophysiques de la prédiction des résultats pour l'ablation focale. Les algorithmes suivants ont été développés :1) En combinant des sources périodiques auriculaires (SPA) équivalentes extraites de CPSC ou d'ECG avec un classificateur de forêt aléatoire, nous avons pu distinguer une source focale (SF) d’un rotor. Ceci nous permet de déduire si une SF peut initier une FA durable, ainsi que de déterminer la chambre auriculaire de la SF, avec une robuste de l’algorithme à la variabilité inter-patients sur l'ensemble de données synthétiques. L'analyse rétrospective des CPSC préopératoires a montré que les patients atteints de FA paroxystique, avec des épisodes de FA classés comme étant entraînés par une SF provenant d'une seule chambre auriculaire par notre algorithme, présentaient une récidive de FA inférieure jusqu'à 3 ans après ablation par cathéter au CHU de Bordeaux.2) Le spectre des SPA, une fonction de la valeur maximale d'autocorrélation du SPA sur la durée du cycle, a été ensuite développé via des processus gaussiens pour représenter l'état de FA des patients. L'analyse des CPSC préopératoires de patients souffrant d’une FA persistante a révélé qu'une autocorrélation maximale plus élevée sur des durées de cycle de 220 à 230 ms était associée à une récidive de FA plus élevée jusqu'à 4 ans après ablation par cathéter au CHU de Bordeaux.3) Un réseau de neurones récurrents convolutifs de graphe a également été développé afin de détecter le début de l'activation centrifuge (ATC) à partir des CPSC. Les ATC incluent non seulement des ATC actifs provenant d'une SF, mais également des ATC passifs provenant de la chambre auriculaire opposée par connexions inter-auriculaires (faisceau de Bachmann, foramen ovale et sinus coronaire). La détection par ATC a amélioré la détermination non-invasive des mécanismes de FA, incluant les SF et les autres sources de FA provenant d’une chambre unique, et, pour la première fois, les macro-réentrées circulant via les connexions inter-auriculaires.Ces trois algorithmes permettent de déduire les mécanismes de la FA à partir des CPSC sans faire appel à l’imagerie cardiaque. Ces méthodes suggèrent des cibles d'ablation afin d’améliorer les résultats du traitement et élargissent le champ actuel des méthodes de cartographie non-invasive, permettant de faire progresser le diagnostic préopératoire non-invasif pour la personnalisation du traitement de la FA.

Atrial fibrillation (AF), the rapid and irregular activation of the atria, is the most common clinical arrhythmia. Catheter ablation therapy is the most effective treatment and improves the quality of life, but standard protocols show sub-optimal long-term success, substantiating the need for personalized ablation. Body surface potential maps (BSPMs) are electrical signals recorded on the torso by an array of electrodes, which non-invasively provide a panoramic view of atria, but it is challenging to interpret BSPMs for AF treatment. This thesis sought to develop novel machine learning algorithms to analyze BSPMs to inform personalized AF treatment, without solving the inverse problem. Using multiscale modeling, a synthetic dataset of nearly 3000 detailed AF episodes along with 252-lead BSPMs and 12-lead electrocardiograms (ECGs), representative of AF patients, was generated. This provided training data for algorithm development, and elucidated the biophysical bases of outcome prediction for focal ablation. The following algorithms were developed:1) Combining equivalent atrial periodic sources (APSs) extracted from BSPMs or ECGs with a random forest classifier, we were able to discriminate between a focal source (FS) and a rotor, infer whether an FS can initiate sustained AF, and determine the chamber of FS, with robustness to inter-patient variability on the synthetic dataset. Retrospective analysis of pre-operative BSPMs showed paroxysmal AF patients with AF episodes classified as driven by an FS from a single atrial chamber by our algorithm had lower AF recurrence up to 3 years following catheter ablation from the CHU Bordeaux.2) The APS spectrum, a function of the maximal autocorrelation value of APS over cycle length, was subsequently developed with Gaussian processes to represent the AF condition of patients. Analysis of pre-operative BSPMs of persistent AF patients revealed that a higher maximal autocorrelation over cycle lengths from 220 to 230 ms was associated with a higher AF recurrence up to 4 years following catheter ablation from the CHU Bordeaux.3) A graph convolutional recurrent neural network was also developed to detect the onset of centrifugal activation (CAT) from BSPMs. The CATs include not only active CATs originating from an FS, but also passive CATs originating from the opposite atrial chamber through discrete inter-atrial connections (Bachmann's bundle, fossa ovalis, and the coronary sinus). CAT detection improved the non-invasive determination of AF mechanisms, including FS and other single-chamber drivers, and, for the first time, macro-reentries circulating through inter-atrial connections.All three algorithms inferred AF mechanisms from BSPMs without cardiac imaging. The methods suggest ablation targets for better treatment outcomes, and broaden the scope of current non-invasive mapping methods, which together advance preoperative non-invasive diagnosis for personalized AF treatment.