Un cadre d’apprentissage hybride pour la classification automatique multiclasses d’électrocardiogrammes avec SimCardioNet

Pourquoi apprendre aux ordinateurs à lire les battements du cœur est important

Chaque fois qu’un médecin prescrit un électrocardiogramme (ECG), il obtient une ligne sinueuse qui peut révéler des infarctus, des troubles du rythme dangereux et des signes précoces de maladie. Mais interpréter correctement ces tracés demande des années de formation, et dans de nombreux hôpitaux — en particulier dans les environnements à ressources limitées — il n’y a tout simplement pas assez de spécialistes du cœur. Cette étude présente SimCardioNet, un nouveau système d’intelligence artificielle conçu pour lire automatiquement et avec précision des images d’ECG, même lorsque seules de petites quantités de données étiquetées par des experts sont disponibles. En apprenant d’abord à partir d’ECG non étiquetés puis en se raffinant avec un jeu modeste d’exemples annotés, SimCardioNet vise à rapprocher une interprétation fiable et rapide des ECG de la pratique clinique quotidienne.

Des impressions papier à la reconnaissance intelligente de motifs

Dans de nombreuses cliniques, les ECG ne sont pas conservés sous forme de signaux numériques propres mais comme des images scannées ou des impressions papier. SimCardioNet est conçu pour fonctionner directement avec ces images. Le système standardise d’abord chaque image d’ECG à une taille fixe et applique une variété de modifications subtiles — petites rotations, variations de couleur, recadrages et retournements — qui imitent les variations réelles de l’impression ou du scan des ECG. Ces versions « augmentées » aident le modèle à devenir robuste aux différences entre hôpitaux et appareils, de sorte qu’il apprenne à se concentrer sur les motifs électriques du cœur plutôt que sur des détails superficiels comme la couleur du quadrillage ou la mise en page.

Une méthode d’apprentissage en deux étapes

Plutôt que de demander au modèle de passer directement au diagnostic, les auteurs utilisent un processus d’apprentissage en deux étapes. Dans la première étape, appelée apprentissage auto‑supervisé, le modèle voit de nombreuses images d’ECG non étiquetées et doit reconnaître lorsque deux vues différentes proviennent du même ECG sous‑jacent. Il le fait avec une méthode connue sous le nom d’apprentissage contrastif : les paires d’images issues du même battement sont rapprochées dans sa représentation interne, tandis que les paires provenant de patients différents sont écartées. SimCardioNet utilise un empilement personnalisé de couches convolutionnelles (un bloc de construction standard de l’apprentissage profond pour les images), des connexions résiduelles qui facilitent l’entraînement des réseaux profonds, et un module d’attention multi‑têtes qui aide le modèle à se concentrer sur les parties les plus informatives de chaque forme d’onde.

Affiner le système pour nommer les affections cardiaques

Après cette phase de pratique « non supervisée », le modèle a acquis une compréhension riche de l’apparence typique des ECG. Dans la deuxième étape, le réglage fin supervisé, il reçoit des exemples étiquetés — des ECG annotés par des experts comme normaux, infarctus, rythme cardiaque anormal ou antécédent d’infarctus, et, dans une base de données plus vaste, plusieurs groupes de maladies plus larges. Les auteurs « dégèlent » progressivement les couches du réseau, en entraînant d’abord uniquement les couches finales puis en permettant aux couches antérieures de s’ajuster. Ce calendrier attentif aide à préserver les motifs utiles appris à partir des données non étiquetées tout en les adaptant à la tâche spécifique du diagnostic. Un module de classification final assigne ensuite chaque image d’ECG à l’une des catégories cliniquement pertinentes.

Quelle est son efficacité en pratique ?

L’équipe a testé SimCardioNet sur trois collections d’images distinctes. Sur un jeu de données à quatre classes provenant d’hôpitaux pakistanais, le système a correctement classé environ 97,5 % des ECG, avec des scores de précision et de rappel similarly élevés — ce qui signifie qu’il manquait rarement une maladie et déclenchait rarement de fausses alertes. Sur un jeu externe Kaggle, il a obtenu des scores parfaits sur la partition de test, ce qui suggère que les caractéristiques apprises se transfèrent bien à de nouvelles sources, bien que les auteurs avertissent que de tels chiffres irréprochables peuvent parfois refléter une tâche plus facile. Sur PTB‑XL, une grande référence largement utilisée avec cinq grands groupes diagnostiques, le modèle a atteint environ 92 % d’exactitude et de score F1, surpassant plusieurs approches récentes d’apprentissage profond, y compris des réseaux convolutionnels et récurrents spécialisés. Des outils de visualisation comme Grad‑CAM ont montré que le modèle fonde généralement ses décisions sur des régions de forme d’onde cliniquement pertinentes, telles que les pointes QRS nettes et les segments ST, bien que les auteurs aient également détecté et proposé des corrections pour des « raccourcis » occasionnels, comme la focalisation sur les en‑têtes de page.

Ce que cela signifie pour les patients et les cliniciens

Pour un non‑spécialiste, le message principal est que SimCardioNet montre comment les machines peuvent être entraînées à interpréter les tracés cardiaques avec précision sans exiger des jeux de données massifs entièrement étiquetés, coûteux et longs à constituer. En apprenant d’abord la structure générale à partir d’images d’ECG non étiquetées puis en raffinant ces connaissances avec un ensemble étiqueté plus réduit, le système offre un diagnostic multiclasses fiable tout en restant relativement efficace et explicable. Bien que des tests supplémentaires à travers différents hôpitaux, appareils et groupes de patients soient nécessaires avant que de tels outils puissent être utilisés en routine, ce travail suggère que des lecteurs automatisés d’ECG pourraient un jour aider à trier les patients plus rapidement, soutenir des cliniciens surchargés et étendre l’évaluation cardiaque de niveau expert vers des régions où les cardiologues font défaut.

Citation: Majid, M.D., Anwar, M., Bilal, S.F. et al. A hybrid learning framework for automated multiclass electrocardiogram classification with SimCardioNet. Sci Rep 16, 7621 (2026). https://doi.org/10.1038/s41598-026-36932-1

Mots-clés: électrocardiogramme, apprentissage profond, apprentissage auto-supervisé, maladie cardiovasculaire, imagerie médicale