Interpretabilité dans l’apprentissage de modèles profonds appliqués aux électrocardiogrammes : applications translationnelles aux maladies cardiovasculaires

Interpretability of Neural Networks applied to Electrocardiograms : Translational Applications in Cardiovascular Diseases

• Auteur / Autrice : Ahmad Fall
• Direction : Jean-Daniel Zucker, Alassane Bah, Edi Prifti, Mandicou Ba
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 29/11/2023
• Etablissement(s) : Sorbonne université en cotutelle avec Université Cheikh Anta Diop (Dakar, Sénégal ; 1957-....)
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Unité de modélisation mathématique et informatique des systèmes complexes (Bondy, Seine-Saint-Denis ; 2009?-....)
• Jury : Président / Présidente : Florence D'Alché-Buc
• Jury : Examinateurs / Examinatrices : Joe-Élie Salem
• Jury : Rapporteur / Rapporteuse : Antoine Cornuéjols, Rémi Dubois

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Torsade de pointes

Électrocardiographie

Apprentissage profond

Mots clés libres

DeepLearning

Electrocardiogramme

Interpretabilité

ECG

XAI

Explainable AI

DeepLearning

Electrocardiogram

Interpretability

ECG

XAI

Explainable AI

Résumé

L’électrocardiogramme (ECG) est un outil non invasif permettant d’évaluer l’activité électrique du cœur. Ils sont largement utilisés dans la détection d’anomalies cardiaques. Les algorithmes d’apprentissage profond permettent la détection automatique de schémas complexes dans les données ECG, ce qui offre un potentiel important pour l’amélioration du diagnostic médical. Toutefois, leur adoption est freinée par un faible niveau de confiance des cliniciens et un besoin massif de données pour entrainer les modèles. L’intelligence artificielle, en particulier l’apprentissage profond (deep learning), permet d’explorer des représentations hiérarchiques de données complexes, ce qui permet de mieux comprendre les interactions internes. Néanmoins, l’interprétabilité des modèles est cruciale pour gagner la confiance des spécialistes et permettre une utilisation générale. Ces travaux de thèse, réalisés en étroite collaboration avec des spécialistes en cardiologie, visent à développer un nouvel algorithme d’interprétabilité pour les réseaux de neurones appliqués aux données ECG. Notre étude se concentre sur une pathologie cardiaque spécifique, la Torsades de pointes (TdP). La TdP est une arythmie mortelle associée à divers facteurs, notamment médicamenteux et/ou des mutations congénitales. Une prédiction précise de ce risque peut améliorer les soins aux patients et potentiellement sauver des vies. Nous avons commencé par concevoir un réseau de neuronnes pour prédire le risque de TdP à l’aide de données ECG. Ensuite, nous avons développé un nouvel algorithme d’interprétabilité baptisé Evocclusion, qui permet de mieux comprendre le processus de décision du réseau de neurones. Cet algorithme vise à fournir des informations lisibles par l’homme sur les prédictions du modèle, afin d’accroître la confiance des cliniciens et des spécialistes. Enfin, nous présentons deux autres méthodes développées pour améliorer l’analyse de l’ECG et la méthode d’interprétabilité. La qualité du signal est un aspect crucial dans l’analyse d’ECGs. Ainsi, nous proposons une nouvelle méthode utilisant un autoencodeur de débruitage pour réduire de manière significative le bruit présent dans les données ECG et reconstruire partiellement le signal. Cette technique améliore la fiabilité des données d’entrée pour des analyses approfondies et garantit que les réseaux de neurones ont accès à des informations de haute qualité. Nous avons également développé des réseaux supplémentaires pour segmenter l’ECG et extraire les battements, les ondes P et T et complexes QRS. Cette segmentation permet une compréhension plus approfondie des composants de l’ECG et ouvre la voie à de nouvelles analyses sur des composantes spécifiques du signal. En outre, nous fournissons une méthode pour évaluer un vecteur score de qualité ECG, ce qui nous permet de nous concentrer sur les parties du signal qui ont un bon score de qualité. Cette approche garantit que les informations les plus fiables sont utilisées pour l’analyse et les cliniciens, ce qui réduit le risque de faux positifs et négatifs. Cette recherche vise à renforcer la confiance dans l’utilisation de réseau de neurones, ce qui permettra d’améliorer l’automatisation des tâches complexes en médecine et ailleurs, et, en fin, d’améliorer le traitement des patients.

Electrocardiograms (ECGs) are non-invasive tools for assessing the electrical activity of the heart, they are widely used to detect cardiac abnormalities. Deep learning algorithms enable automatic detection of complex patterns in ECG data, offering significant potential for improved cardiac diagnosis. However, their adoption is hindered by a low level of trust among medical professionals and a substantial need for data to train the models. Artificial intelligence, particularly deep learning, allows for exploration of hierarchical representations of complex data, leading to a better understanding of internal interactions. Nevertheless, interpretability of the models are crucial to gain specialists’ trust and facilitate widespread implementation. This thesis aims to develop a novel interpretability algorithm for neural networks applied to ECG analysis, working in close collaboration with cardiology specialists. Our study focuses on a specific cardiac pathology, Torsades-de-Pointes (TdP). TdP is a life threatening arrhythmia associated with various factors, including medications and congenital mutations. Accurate prediction of this risk can enhance patient care and potentially save lives. We started by designing a neural network algorithm for predicting the risk of TdP using ECG data. Second, we developed a new interpretability algorithm named Evocclusion, that enables a better understanding of the neural network’s decision process. This algorithm aims to provide human readable insights into the model’s predictions, leading to increased trust among clinicians and specialists. Third, we present two main frameworks developed to improve ECG analysis and the interpretability method. A crucial aspect of ECG analysis is signal quality. Therefore, we propose a new method using a denoising autoencoder to significantly remove noise from the ECG data and partially recover the waveform from alterations. This technique improves the reliability of the input data for subsequent analysis and ensures that the neural networks have access to high quality information. We also developed neural networks to segment the ECG and extract beats, P and T waves, and QRS complexes. These segmentation results enable a deeper understanding of the ECG components and facilitate further analysis. Additionally, we provide a method to assess a quality score vector of the ECG, enabling us to focus on parts of the signal that have a good quality score. This approach ensures that the most reliable information is used for analysis and clinicians which reduces the risk of false positives and negatives. This research seeks to enhance trust in artificial intelligence, leading to better automation of complex tasks in medicine and beyond, ultimately improving patient outcomes.