Réseaux de neurones convolutifs et algorithmes basés sur des règles pour la classification des ECG à 12 dérivations

L’objectif de cette étude était de classifier 27 anomalies cardiaques à partir d’un ensemble de données comprenant 43 101 enregistrements d’électrocardiogrammes (ECG). Un modèle hybride combinant un algorithme basé sur des règles avec différentes architectures d’apprentissage profond a été développé.Nous avons comparé deux réseaux de neurones convolutifs distincts : un réseau neuronal convolutif entièrement connecté (Fully Convolutional Neural Network) et un réseau encodeur (Encoder Network), ainsi qu’une combinaison des deux, ainsi qu’une autre architecture neuronale intégrant l’âge et le sexe comme entrées. Deux de ces combinaisons ont finalement été couplées à un modèle basé sur des règles utilisant des caractéristiques dérivées des ECG. La performance des modèles a été évaluée sur les données de validation durant le processus de développement, à l’aide d’une validation par retrait (hold-out validation). Ensuite, les modèles ont été déployés sous forme d’image Docker, entraînés sur les données de développement fournies, puis testés sur l’ensemble de validation du Défi. Le modèle ayant obtenu les meilleurs résultats sur l’ensemble de validation du Défi a été sélectionné, puis déployé et testé sur l’ensemble complet de test du Défi. La performance a été évaluée selon un score spécifique au Défi.Notre équipe, TeamUIO, a obtenu un score de validation du Défi de 0,377, ainsi qu’un score sur l’ensemble complet de test de 0,206 pour notre meilleur modèle. Ce dernier classement sur l’ensemble de test complet nous a positionnés à la 20e place sur un total de 41 équipes dans le classement officiel.