Apprentissage statistique multimodal pour l'ablation par cathéter de fibrillation atriale persistante centrée sur le patient

Multimodal machine learning for patient-tailored catheter ablation of persistent atrial fibrillation

• Auteur / Autrice : Sara Frusone
• Direction : Vicente Zarzoso
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 04/01/2023
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis

Mots clés

Mots clés libres

Apprentissage

Fibrillation atriale

Données multimodales

Ablation par cathéter

Machine learning

Atrial fibrillation

Multimodal data

Catheter ablation

Résumé

Contexte La fibrillation atriale (FA) est l'arythmie cardiaque soutenue la plus fréquente dans la pratique clinique, affectant notamment les personnes âgées et jugée responsable de jusque 25% des accidents vasculaires cérébraux (AVC). Avec le vieillissement de la population occidentale, cette arythmie devient progressivement un problème majeur de santé publique et commence à prendre des proportions épidémiques : il est estimé qu'entre 6 et 12 millions de personnes en seront affectées aux États-Unis en 2050, et jusque 18 millions en Europe à l'horizon 2060 [MOR17]. Puisque ses mécanismes sont encore insuffisamment compris, la FA est considérée comme la dernière grande frontière en électrophysiologie cardiaque [JAN14]. L'analyse et l'apprentissage statistique (machine learning) de signaux physiologiques sont devenus des outils essentiels pour améliorer la compréhension et la prise en charge de ce trouble cardiaque complexe. Malgré son coût et ses risques de complications, l'ablation par cathéter est à l'heure actuelle l'option thérapeutique la plus attractive en termes de taux de récurrence à long terme pour traiter la FA. Néanmoins, cette thérapie repose fortement sur la subjectivité du praticien, avec des protocoles et des taux de réussites très variables d'un centre à l'autre. Le développement de protocoles d'intervention robustes et acceptés par l'ensemble de la communauté rythmologique reste un défi à relever. Le diagnostic et l'aide à la décision médicale en radiologie, dermatologie, ophtalmologie et cancérologie, entre autres, sont des domaines d'application où les réseaux de neurones profonds ont déjà montré leur intérêt [CHI18]. L'utilisation de techniques de deep learning en cardiologie a été relativement moins explorée. Des techniques de classification automatiques basées sur le deep learning sont susceptibles d'aider les cardiologues interventionnels à effectuer l'ablation de manière efficace et peu coûteuse, augmentant ainsi ses chances de succès à long terme tout en limitant ses inconvénients. Objectifs La présente thèse doctorale vise à développer de nouvelles techniques de machine learning pour aider les cardiologues dans la thérapie d'ablation par cathéter au moyen d'une approche multimodale basée sur des enregistrements invasifs et non invasifs. Le projet est décliné en plusieurs objectifs spécifiques basés sur la méthodologie suivante : • Nouvelles mesures quantitatives de complexité de la FA : Malgré l'intérêt grandissant porté aux outils non invasifs tels que l'électrocardiogramme (ECG) pour évaluer la complexité de la FA persistante en raison de leur simplicité et faible coût, leur utilisation dans la caractérisation de la thérapie d'ablation reste encore très limitée [MEO18]. Pour combler ce manque, cette partie de la thèse vise à exploiter des techniques de deep learning pour identifier les caractéristiques du signal de surface qui évoluent de manière significative au cours de l'intervention, reflétant ainsi l'évolution du substrat atrial pendant les procédures d'ablation par cathéter et identifiant les zones où les tirs d'ablation ont plus de chances de terminer l'arythmie efficacement. • Exploitation des données multimodales : Diverses modalités de données, autant invasives (électrogrammes intracardiaques, cartographies électroanatomiques) que non invasives (ECG, échocardiographie), sont utilisées dans la prise en charge des patients atteints de FA persistante. Cette partie du projet explorera des techniques adaptées de traitement de données et de machine learning pour exploiter la multimodalité d'une manière robuste, afin d'améliorer la caractérisation de ce trouble cardiaque et d'adapter la thérapie d'ablation aux spécificités de chaque patient. • Détection robuste des zones d'ablation : Capitalisant les résultats obtenus dans les deux volets précédents, le projet visera à détecter de manière automatique les zones de tissu atrial menant à une ablation de FA réussie. On s'intéressera notamment au protocole d'ablation récemment développé au CHU Nice Pasteur utilisant des cathéters multipolaires [SEI17]. Des résultats préliminaires prometteurs basés sur des électrogrammes endocavitaires ont été rapportés dans [GHR20]. Il est envisagé que cette thèse représentera un pas en avant significatif dans la quête d'une prise en charge personnalisée de la FA persistante, améliorant le taux de succès de l'ablation par cathéter tout en réduisant sa durée, son coût et ses risques de complications. Collaborations Cette thèse interdisciplinaire aura lieu dans le cadre d'une étroite collaboration avec des cardiologues interventionnels du CHU Nice Pasteur.

Background Atrial fibrillation (AF) is the most common sustained arrhythmia encountered in clinical practice, especially affecting the elderly and held responsible of up to 25% of strokes. With the ageing of the Western population, this arrhythmia is becoming a major public health concern taking epidemic proportions: between 6 and 12 million people will be affected in the USA in 2050, and up to 18 million in Europe in 2060 [MOR17]. AF is indeed "the last great frontier of cardiac electrophysiology" as it continues to puzzle cardiologists [JAN14]. Physiological signal analysis and machine learning arise a key tools to improve the understanding and management of this challenging cardiac condition. Despite its cost and risk of complications, catheter ablation is currently the most attractive therapeutic option in terms of long-term recurrence rate for the treatment of persistent AF. However, this therapy depends heavily on the practitioner's subjectivity, with rather variable protocols and success rates reported by different centers. The development of robust, widely accepted intervention protocols remains an open challenge. Medical diagnosis and decision support in radiology, dermatology, opthalmology and cancer detection, among others, are application areas where deep networks have already proven their interest [CHI18]. The use of deep learning techniques in cardiology has been relatively less explored. Automatic classification techniques based on deep learning could help cardiologists to perform ablation in an efficient, cost-effective manner, increasing its chances of long-term success while reducing its limitations. Goals The present thesis aims at developing new machine learning techniques to aid the cardiologist in the catheter ablation therapy by means of a multimodal approach taking into account both invasive and noninvasive recordings. The project will have the following specific goals and proposed methodology: • Novel quantitative measures of AF complexity: Despite the growing interest in noninvasive tools such as the electrocardiogram (ECG) to assess the complexity of persistent AF due to their simplicity and cost-effectiveness, their use in the characterization of the ablation therapy remains rather limited [MEO18]. To fill this gap, this part of the thesis aims to exploit deep learning techniques to identify the features of the surface signal that evolve significantly during the intervention, thereby reflecting the evolution of the atrial substrate during catheter ablation procedures and pointing the atrial zones where ablation shots are likely to be most effective to terminate the arrhythmia. • Exploiting data multimodality: Different data modalities, including invasive (intracardiac electrograms, electroanatomic maps) and noninvasive (ECG, echocardiography), are acquired in the management of persistent AF patients. This part of the project will explore suitable data processing and machine learning techniques for exploiting multimodality in a robust manner in order to better characterize this cardiac disorder and adapt the catheter ablation therapy to each patient. • Robust detection of ablation zones: Capitalizing on the results obtained in the previous parts of the thesis, the project will aim at automatically detecting the most suitable tissue areas for successful AF ablation. Emphasis will be laid on the recent ablation protocol developed at Nice University Hospital (CHU) using multi-spline catheters [SEI17]. Promising initial results based on intracardiac electrograms have recently been reported in [GHR20]. This multidisciplinary thesis is expected to take a significant step forward towards a patient-tailored management of persistent AF, helping to improve the success rate of catheter ablation while reducing its duration, cost and risks of complications. Collaborations This interdisciplinary thesis will carried out in close collaboration with cardiologists from Nice CHU and industrial partners.