Apprentissage profond pour la détection de l'infarctus du myocarde au niveau du cardiologue dans les électrocardiogrammes

L'infarctus du myocarde est la principale cause de décès dans le monde. Dans cet article, nous concevons des modèles de réseaux neuronaux inspirés par le domaine pour détecter l'infarctus du myocarde. Premièrement, nous étudions la contribution de diverses dérivations. Cette analyse systématique, unique en son genre dans la littérature, indique que parmi les 15 dérivations d'ECG, les données des dérivations v6, vz et ii sont cruciales pour identifier correctement l'infarctus du myocarde. Deuxièmement, nous utilisons cette découverte pour adapter le modèle de réseau neuronal ConvNetQuake -- initialement conçu pour identifier les séismes -- afin d'obtenir des résultats de classification de pointe pour l'infarctus du myocarde, atteignant une précision de classification de $99,43\%$ sur une division par enregistrement et de $97,83\%$ sur une division par patient. Ces deux résultats représentent un niveau de performance comparable à celui des cardiologues pour la détection de l'infarctus du myocarde après l'entrée de seulement 10 secondes de données brutes d'ECG dans notre modèle. Troisièmement, nous montrons que notre réseau neuronal multicanaux ECG atteint un niveau de performance comparable à celui des cardiologues sans nécessiter aucune extraction manuelle de caractéristiques ou prétraitement des données.