Deep learning-based classification of pathological electrocardiographic signals

Wolff-Parkinson-White (WPW) syndrome is a cardiac pathology caused by the presence of extra electrical bypass tracts improperly connecting atria and ventricles. These bypass tracts - the accessory pathways - cause abnormal electrical activity, resulting in anomalies in the electrocardiograms (ECGs) of patients, which are the main diagnostic tool. Once the area where the accessory pathway resides has been determined, treatment consists in ablating the tissue around the pathway entry to isolate and block the abnormal electrical connection. The goal of this thesis is to develop reliable, accurate and explainable classifiers based on deep learning models to facilitate diagnosis of WPW. To do so, we use synthetic 12- lead ECG signals generated by a mathematical model for cardiac electrophysiology. Each simulated ECG corresponds to an accessory pathway at a fixed location sampled over a mesh. Accessory pathways locations are grouped into 24 regions. We train multiple multi-class deep learning classifiers to determine in which of the 24 ventricle regions the accessory pathway is located. Accuracies on the test set range from 93.79% to 95.48%. Given our aim to aid diagnosis and treatment, we adopt Guided Grad-CAM to make the best model more transparent and interpretable for medical doctors. Guided Grad-CAM highlights the features in lead V2 as the ones contributing the most to the decisions made by the classifier. Furthermore, we carry out a global sensitivity analysis to understand how sensitive leads are to a change in the accessory pathway position. Sensitivity analysis identifies lead V2 as the most sensitive to changes of the accessory pathway location. Conversely, the current medical practice is to first look for patterns in the morphology of lead V1. Further differentiation relies on leads II, aVF, III and V3. This work not only contributes a reliable diagnostic algorithm that allows diagnosis with a resolution higher than existing machine learning methods and established diagnostic trees, it also raises a question on the optimality of current diagnostic trees, which may be overlooking information coming from leads that may otherwise allow for a more precise localization of the accessory pathways.

La sindrome di Wolff-Parkinson-White (WPW) è una patologia cardiaca causata dalla presenza di fasci ventricolari accessori che collegano gli atri ai ventricoli. Questi fasci ventricolari accessori - gli accessory pathways - sono la causa di un’attività cardiaca fuori dalla norma, che risulta in anomalie negli ECG dei pazienti, che sono il principale strumento diagnostico. Una volta determinata la posizione dell’accessory pathway, il trattamento consiste nell’ablare il tessuto attorno all’area in cui si innesta l’accessory pathway nel ventricolo, per eliminare il collegamento elettrico anomalo. L’obiettivo della presente tesi è sviluppare dei classificatori affidabili, accurati e interpretabili, basati su modelli di deep learning, per facilitare la diagnosi della WPW. A questo scopo, usiamo ECG a 12 derivazioni generati da un modello matematico per l’elettrofisiologia cardiaca. Ogni ECG simulato corrisponde a un accessory pathway con coordinate individuate da un punto su una mesh. Gli accessory pathway sono raggruppati in 24 regioni. Alleniamo diversi modelli di deep learning per la classificazione per stabilire in quale delle 24 regioni si trovi l’accessory pathway. L’accuracy misurata sul test set varia da 93.79% a 95.48%. Considerato il nostro obiettivo di facilitare la diagnosi e il trattamento, applichiamo il metodo Guided Grad-CAM per rendere il modello migliore più trasparente e interpretabile per i medici. Guided Grad-CAM individua nella derivazione V2 quella che contribuisce maggiormente alle decisioni del classificatore. Inoltre, svolgiamo un’analisi di sensitività globale per capire quanto le derivazioni siano sensibili a una variazione nella posizione dell’accessory pathway. L’analisi di sensitività identifica la derivazione V2 come la più sensibile a un cambiamento nella posizione dell’accessory pathway. Tuttavia, la pratica medica corrente consiste nel cercare partcolari morfologie nella derivazione V1. Ulteriori discrimini vertono sulle derivazioni II, aVF, III e V3. Questo elaborato contribuisce non soltanto un algoritmo per la diagnostica affidabile e con una risoluzione maggiore degli algoritmi esistenti, ma pone anche attenzione sulla possibile subottimalità della pratica medica attuale, che potrebbe trascurare informazioni da derivazioni che se inserite in nuovi alberi diagnostici potrebbero permettere di individuare l’accessory pathway con una accresciuta precisione.