Apprentissage profond pour l’analyse des ECG : benchmarks et enseignements issus de PTB-XL

L’électrocardiographie est une procédure diagnostique très courante et non invasive, dont l’interprétation est de plus en plus soutenue par des algorithmes d’interprétation automatique. Les progrès dans le domaine de l’interprétation automatique des ECG ont jusqu’à présent été freinés par un manque de jeux de données adaptés pour l’entraînement ainsi que par l’absence de procédures d’évaluation bien définies assurant la comparabilité entre différents algorithmes. Pour atténuer ces difficultés, nous présentons les premiers résultats de benchmarking sur le jeu de données PTB-XL, récemment publié et librement accessible, couvrant une variété de tâches allant de la prédiction de diagnostics ECG à la prédiction de l’âge et du sexe, en passant par l’évaluation de la qualité du signal. Nous constatons que les réseaux de neurones convolutifs, en particulier les architectures basées sur ResNet et Inception, obtiennent les meilleurs résultats sur l’ensemble des tâches, dépassant largement les algorithmes fondés sur des caractéristiques traditionnelles. Ces résultats sont complétés par des analyses approfondies de l’algorithme de classification, notamment en termes de stratification cachée, d’incertitude du modèle et d’une analyse exploratoire d’interprétabilité. Nous fournissons également des résultats de benchmarking sur le jeu de données ECG de l’ICBEB2018, et discutons les perspectives de transfert d’apprentissage à l’aide de classificateurs préentraînés sur PTB-XL. À travers cette ressource, nous visons à établir le jeu de données PTB-XL comme référence pour le benchmarking structuré des algorithmes d’analyse ECG, et à encourager d’autres chercheurs du domaine à s’associer à ces efforts.