Apprentissage profond sur de grandes bases de données cliniques pour la prédiction des arythmies cardiaques à partir de l'imagerie

Deep learning on large clinical databases for image-based predictions of cardiac arrhythmias

• Auteur / Autrice : Buntheng Ly
• Direction : Maxime Sermesant
• Type : Thèse de doctorat
• Discipline(s) : Automatique et traitement du signal et des images
• Date : Soutenance le 20/12/2022
• 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 : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - LIRYC
• Jury : Président / Présidente : Pierre Jaïs
• Jury : Examinateurs / Examinatrices : Maxime Sermesant, Pierre Jaïs, Ender Konukoğlu, Eloi Marijon, Hubert Cochet
• Jury : Rapporteurs / Rapporteuses : Ender Konukoğlu, Eloi Marijon

Mots clés

Mots clés contrôlés

Médecine prédictive

Imagerie médicale

Apprentissage profond

Intelligence artificielle

Arythmie

Cardiopathies

Mots clés libres

Arythmie cardiaque

Intelligence artificielle

Modèle explicable

Imagerie cardiaque

Multi-modalité

Cardiac arrhythmia

Artificial intelligence

Explainable learning

Cardiac imaging

Multi-modality

Résumé

La mort subite (MS) est un problème de santé majeur, responsable d'une mortalité annuelle de 400 000 personnes aux États-Unis et d'un chiffre similaire en Europe. La mort subite est la conséquence de l'arrêt soudain et total de l'activité cardiaque, également connu sous le nom d'arrêt cardiaque soudain (ACS). Une étude de surveillance de l'activité cardiaque a établi un lien entre l'ACS et l'arythmie ventriculaire (AV), qui est responsable de 70 % de tous les ACS enregistrés. L'approche préventive d'arythmie ventriculaire est le défibrillateur automatique implantable (DAI), tandis que l'ablation par radiofréquence (AR) est une thérapie potentiellement curative. Le DAI surveille l'activité électrique cardiaque et est programmé pour délivrer des chocs électriques afin d'arrêter l'épisode d'AV. Cependant, les critères de sélection des patients, souvent basés sur l'indice de la fraction d'éjection du ventricule gauche (FEVG), constituent une limite importante, avec un grand nombre de faux positifs et négatifs. La AR est une procédure interventionnelle qui permet d'éliminer le substrat des circuits de réentrée, la cause principale de l'AV liée à la cicatrice. Néanmoins, il s'agit d'une procédure longue et à haut risque, dont le principal problème reste la localisation imprécise du substrat.En utilisant des méthodes Deep Learning (DL), nous avons étudié l'hétérogénéité de la cicatrice myocardique post-infarctus dans le ventricule gauche (VG) et sa relation avec l'AV, avec des données rétrospectives de 600 images de scanner cardiaque. Dans le contexte de la localisation du substrat et du guidage de la AR, il a été démontré que la paroi du VG plus mince dans la zone de la cicatrice a des propriétés de conduction lente. Notre objectif principal est de construire un modèle de prédiction pour analyser l'épaisseur du VG, améliorant ainsi la sélection des patients avant le traitement par AR ou une stratégie de prévention. L'objectif secondaire est d'explorer l'explicabilité du modèle. L'idée est d'identifier les régions spécifiques qui ont le plus d'influence sur la prédiction du modèle, ce qui, dans le contexte de la prédiction de l'AV, pourrait se traduire par une identification personnalisée des régions arythmogènes.Nous avons développer un pipeline automatique pour transformer l'entrée (les scanners cardiaques 3D) en une carte polaire de la valeur de l'épaisseur du VG. Pour le modèle de prédiction, nous avons construit le modèle conditional variational autoencoder classification (CVAE-Class). Pour étudier l'explicabilité du modèle, nous avons utilisé la méthode GradCAM++. Nous avons montré que le modèle CVAE-Class était capable d'obtenir des prédictions AV plus précises par rapport aux marqueurs cliniques, y compris la FEVG. La carte d'activation générée avec GradCAM++ a montré une forte corrélation entre les régions à fort coefficient et les régions amincies, ce qui a renforcé la relation entre l'amincissement de la paroi du ventricule gauche et l'arythmogenèse. Nous avons également étudié la méthode graph neural network, qui s'est avérée plus performante que le modèle CVAE-Class. Nous avons exploré l'explicabilité du modèle graphique à l'aide de deux méthodes : Local Interpretable Model-agnostic Explanation (LIME) et les integrated gradients, qui produisent des régions de coefficient élevé plus distinctes par rapport à la méthode GradCAM++.Ce travail de recherche fait progresser nos connaissances en proposant une nouvelle méthode automatique pour analyser l'hétérogénéité de l'amincissement du VG, qui nous a permis de prédire de manière plus robuste le risque d'AV lié à la cicatrice, par rapport aux marqueurs cliniques actuels. En particulier, l'inclusion de l'explicabilité dans la sortie conduit à une meilleure transparence du modèle de prédiction. De plus, l'amélioration ultérieure de notre méthode, offre une perspective optimiste pour la traduction de ce travail dans la localisation automatique des substrats arythmogènes du AR.

Sudden cardiac death (SCD) is a major health concern responsible for up to a yearly mortality of 400,000 in the US, and a similar figure in Europe. SCD is a consequence of the sudden and total stop of cardiac activity, also known as the sudden cardiac arrest (SCA). A study monitoring the cardiac activity has linked the SCA to ventricular arrhythmia (VA), which is responsible for up to 70% of all recorded SCAs. The preventive approach to VA and the patient risk of the SCD is the implantable cardioverter defibrillator (ICD), while catheter-based radiofrequency ablation (RFA) is a potentially curative therapy. ICD continuously monitors the cardiac electrical activity and is programmed to deliver appropriate electrical shock(s) in order to stop any detected VA episodes. However, a main limitation is the patient selection criteria, often based only on the left ventricular ejection fraction (LVEF) index, which suffers from both large number of false positive and negative identifications. RFA is an interventional procedure to eliminate the substrate of reentry circuits, the primary cause in scar-related VA, which can effectively prevent future episode of VA. Nonetheless, this procedure is a very time consuming, high-risk and error-prone procedure, for which the major issue remains the inaccurate substrate localization.Based on novel Deep Learning (DL) methods, we studied the heterogeneity of the post-infarct myocardial scar in the left ventricle (LV) and its relation to VA, using a large retrospective dataset of 600 cardiac CT images. In the context of substrate localization and RFA guidance, thinner LV wall within the scar zone has been shown to have slow conduction properties. Our primary goal is to build a DL prediction model to analyse the LV wall thickness, thus improving the patients selection prior to the RFA treatment or a prevention strategy. The secondary goal is to explore the DL prediction model explainability. The idea is to pinpoint the specific regions on the model input that are most influential to the model prediction, which in the context of VA prediction could be translated into a personalised identification of arrhythmogenic regions.We started by implementing a fully automatic pipeline to transform the input (i.e., 3D CT cardiac images) into a 2D bullseye representation of the LV thickness value. For the VA prediction model, we built a conditional variational autoencoder classification (CVAE-Class) model. To study the explainability of the model, we employed the GradCAM++ method. We successfully showed that CVAE-Class model was able to achieve higher accuracy VA predictions compared to the available clinical markers, including the LVEF. The class activation map generated with GradCAM++ showed a high correlation of the high coefficient regions with the thinning regions, which solidified the relation between of LV wall thinning and arrhythmogenesis. We further explored the graph neural network method, which is shown to achieved better performance than the CVAE-Class model. We explored the explainability of the graph model using two methods: Local Interpretable Model-agnostic Explanation (LIME) and integrated gradients, which output smaller and more distinctive regions of high coefficient compared to the GradCAM++ method.Overall, this research work advances our knowledge by proposing a novel fully-automatic method to analyse the heterogeneity of the LV wall thinning, which allowed us to predict more robustly scar-related VA risk, compared to the current clinical markers. In particular, the inclusion of explainability in the output is a critical feature leading to a better transparency to the prediction model. Moreover, the subsequent improvement of our method via integration of LIME and integrated gradient, provides an optimistic perspective for the translation of this work into the clinical routine for automatic localisation of the arrhythmogenic substrates of ablation therapy.