L'IA atteint 90 % de précision dans la détection de récidive de fibrillation atriale

• Nouvelle méthode deep learning détecte signaux possibles récidive fibrillation atriale (FA) avec 90 % précision.
• Analyse et apprend depuis images IRM cardiaques 3D, génère représentation anatomique landmark-based personne-spécifique.

Selon rapport CDC : ~6,1 millions personnes US souffrent fibrillation atriale (FA) — rythme cardiaque irrégulier souvent rapide augmentant risque insuffisance cardiaque, AVC, complications.

Hypertension et âge avancé comptent jusqu'à 22 % cas FA. Habituellement : risque AVC x5, cause 20 % AVC ischémiques (flux sanguin cerveau obstrué par dépôts graisseux/plaque paroi vasculaire).

Bien que FA non mortelle, condition sérieuse nécessitant souvent traitement urgence. Dans de nombreux cas, réapparaît post-traitement. Pour détecter signaux possibles récidive, chercheurs University of Utah ont conçu méthode deep learning détectant FA avec 90 % précision.

Comment ça marche ?

Réseaux neuronaux profonds utilisent image IRM cardiaque 3D pour produire représentation anatomique landmark-based personne-spécifique, éliminant tâches fastidieuses : préprocessing manuel, segmentation.

Pour prédire récidive FA : analyse forme oreillette gauche (une des 4 cavités cœur) et recherche irrégularités. Cependant, réseau ne peut être entraîné efficacement avec échantillons limités. Donc : approche data augmentation pour produire info statistiquement plus faisable, entraîner réseau tout en diminuant risque overfitting.

Réseau neuronal convolutif entraîné sur centaines images IRM, GPUs NVIDIA Tesla avec framework TensorFlow deep learning. Data augmentation sur 75 % dataset original pour améliorer précision réseau.

Référence : arXiv:1810.00475 | University of Utah

Plus spécifiquement : structure oreillette gauche exhibe clustering dans espace formes due au grand nombre arrangements possibles veines pulmonaires. Pour gérer ce nombre : modélisation formes oreillette gauche comme distribution Gaussienne multi-modale dans sous-espace Analyse Composantes Principales, 3 composants donnant meilleur critère information bayésien.

Modélisation forme standard vs méthode proposée | Crédit chercheurs

Expérience : 207 échantillons total, 175 pour data augmentation, reste mis de côté test réseau (échantillons non observés).

Résultats

Technique proposée apprend descripteurs forme depuis images → utilisée segmentation automatique oreillette gauche avec résultats prometteurs.

Lire : L'IA détecte cancer peau plus précisément que médecins expérimentés

Comparée workflow analyse forme state-of-the-art existant exigeant intervention humaine régulière et optimisation correspondance : résultats statistiquement comparables. Récidive prédite par réseaux neuronaux profonds : 90 % précis avec erreur ±0,06 %.