Apprentissage automatique spatiotemporel sur l'imagerie du potentiel de surface corporelle sans scanner aidé par la modélisation multi-échelle pour la personnalisation du traitement de la fibrillation auriculaire

Abstract

La fibrillation auriculaire (FA) est une activation rapide et irrégulière des oreillettes. Elle est l'arythmie clinique la plus courante. Le premier traitement préconisé est l’ablation par cathéter. Cette procédure est la plus efficace et améliore la qualité de vie. Néanmoins les protocoles standards utilisés démontrent un succès à long terme sous-optimal, justifiant la nécessité de mettre en place une ablation personnalisée. Les cartographies des potentiels à la surface corporelle (CPSC) sont des signaux électriques enregistrés sur le torse par un réseau d'électrodes, fournissant ainsi une vue panoramique non-invasive des oreillettes. Il est cependant difficile d'interpréter les CPSC pour le traitement de la FA. Cette thèse vise à développer de nouveaux algorithmes d'apprentissage automatique pour interpréter les CPSC afin de proposer un traitement personnalisé de la FA, sans faire appel à la résolution du problème inverse. À l'aide d'une modélisation multi-échelle un ensemble de données synthétiques a été généré. Il est composé d’environ 3000 épisodes de FA détaillés, ainsi que les CPSC à 252 dérivations et les électrocardiogrammes (ECG) à 12 dérivations, représentatifs des patients atteints de FA. Cet ensemble constitue notre base de données d'entraînement pour le développement des algorithmes et il permet d’expliquer les bases biophysiques de la prédiction des résultats pour l'ablation focale. Les algorithmes suivants ont été développés :1) En combinant des sources périodiques auriculaires (SPA) équivalentes extraites de CPSC ou d'ECG avec un classificateur de forêt aléatoire, nous avons pu distinguer une source focale (SF) d’un rotor. Ceci nous permet de déduire si une SF peut initier une FA durable, ainsi que de déterminer la chambre auriculaire de la SF, avec une robuste de l’algorithme à la variabilité inter-patients sur l'ensemble de données synthétiques. L'analyse rétrospective des CPSC préopératoires a montré que les patients atteints de FA paroxystique, avec des épisodes de FA classés comme étant entraînés par une SF provenant d'une seule chambre auriculaire par notre algorithme, présentaient une récidive de FA inférieure jusqu'à 3 ans après ablation par cathéter au CHU de Bordeaux.2) Le spectre des SPA, une fonction de la valeur maximale d'autocorrélation du SPA sur la durée du cycle, a été ensuite développé via des processus gaussiens pour représenter l'état de FA des patients. L'analyse des CPSC préopératoires de patients souffrant d’une FA persistante a révélé qu'une autocorrélation maximale plus élevée sur des durées de cycle de 220 à 230 ms était associée à une récidive de FA plus élevée jusqu'à 4 ans après ablation par cathéter au CHU de Bordeaux.3) Un réseau de neurones récurrents convolutifs de graphe a également été développé afin de détecter le début de l'activation centrifuge (ATC) à partir des CPSC. Les ATC incluent non seulement des ATC actifs provenant d'une SF, mais également des ATC passifs provenant de la chambre auriculaire opposée par connexions inter-auriculaires (faisceau de Bachmann, foramen ovale et sinus coronaire). La détection par ATC a amélioré la détermination non-invasive des mécanismes de FA, incluant les SF et les autres sources de FA provenant d’une chambre unique, et, pour la première fois, les macro-réentrées circulant via les connexions inter-auriculaires.Ces trois algorithmes permettent de déduire les mécanismes de la FA à partir des CPSC sans faire appel à l’imagerie cardiaque. Ces méthodes suggèrent des cibles d'ablation afin d’améliorer les résultats du traitement et élargissent le champ actuel des méthodes de cartographie non-invasive, permettant de faire progresser le diagnostic préopératoire non-invasif pour la personnalisation du traitement de la FA.