Advancing Torsades-de-Pointe Risk Prediction in Deep Learning : Generative Models for Electrocardiogram Synthesis Ex Nihilo and Ex Aliquo

Faire progresser la prédiction du risque de Torsades de Pointes dans l'apprentissage profond : Modèles génératifs pour la synthèse d'électrocardiogrammes Ex Nihilo et Ex Aliquo L'électrocardiogramme est un outil largement utilisé par les cliniciens pour détecter une large quantité d’anomalie cardiovasculaire. La sensibilité de l'ECG dans sa capacité à capturer l'information clinique, couplée à son accessibilité croissante pour le grand public grâce à l'utilisation de dispositifs portables, et les progrès exponentiels de l'IA, ont motivé de nombreux chercheurs à développer des algorithmes d'apprentissage profond pour l'analyse automatique des ECGs. Les tâches les plus courantes visent à prédire les pathologies cardiaques directement à partir des ECGs, et à améliorer le processus de prise de décision clinique. Nous avons développé de nombreux modèles de ce type en laboratoire. Nous nous sommes rapidement rendu compte de leur fragilité lorsqu'ils infèrent sur des données dont la distribution diffère de celle utilisée pour entraîner les modèles. Rendre ces modèles plus robustes est devenu une motivation cruciale pour garantir la confiance que nous leur accordons. Nous avons émis l'hypothèse que l'augmentation de la taille des ensembles de données ainsi que l’augmentation de leur variabilité, par la génération de données paramétrées, permettrait d'entraîner des modèles plus robustes. Nous avons exploré trois approches différentes pour augmenter la taille de nos ensembles de données. Tout d'abord, nous avons cherché à générer des ECG à partir de rien, ex nihilo. Cette approche était principalement basée sur l'utilisation de réseaux antagonistes génératifs. Cependant, l'instabilité de ces réseaux nous a incité à explorer d'autres approches, notamment celles basées sur les transformeurs. En particulier l'utilisation de VQ-VAE a apporté plusieurs avantages, notamment une meilleure interprétabilité et généralisation des modèles de classification. Dans un deuxième temps, nous avons étudié le problème des ECGs papiers. Ceux-ci sont initialement enregistrés au format analogique, ce qui rend leur exploitation par nos modèles d'apprentissage profond impossible sans modification profonde des modèles. Nous avons donc développé une méthode simple, rapide et efficace pour les numériser. Cependant, cette numérisation a révélé une limite des ECGs papier, qui ne fournissent qu'une représentation partielle du signal. Cette observation nous a amenés à explorer le problème de la complétion des ECGs numérisés. Nous avons émis l'hypothèse que les informations manquantes pouvaient être récupérées à partir des informations existantes dans les autres dérivations. Pour tester cette hypothèse, nous avons utilisé un modèle Unet, entraîné avec une stratégie de masquage, qui a réussi à reconstruire des ECGs masqués avec une grande précision. Ce résultat nous a permis de valider notre hypothèse. Nous avons utilisé les données générées par ces trois stratégies pour augmenter la taille de l'ensemble de données d'entraînement et quantifié leur valeur ajoutée dans l'amélioration de nos modèles de classification, y compris la prédiction du risque de torsades de pointes. Nos résultats démontrent que l'ajout de données artificielles et semi-artificielles au modèle d'entraînement permet d'augmenter la précision du modèle de classification appliqué aux données réelles. Outre la performance du modèle, nous nous sommes concentrés sur sa robustesse et avons exploré un large panel de limitations, y compris le problème du repliement, l'impact du bruit physiologique et technique, etc. Nous avons proposé de les surmonter en mettant en œuvre un nouveau modèle qui comprend une architecture avancée ainsi qu’une grande diversité des données d'entrée. Dans cette thèse, nous avons pu créer, tester et valider une série de stratégies pour générer des données ECG, améliorer la performance et la robustesse du modèle. De plus, nous avons développé plusieurs outils, dont ECGtizer et ECGrecover, qui sont accessibles au public et qui, nous l'espérons, auront un impact sur l'amélioration des ensembles de données ECG et des modèles d'IA qui suivront.