Learning cardiac electrophysiology dynamics with PDE-based physiological constraints for data-driven personalised predictions
Apprentissage de la dynamique électrophysiologique cardiaque avec contraintes physiologiques de modèle pour une prédiction personnalisée basée sur les données
Résumé
A current major scientific challenge consists in combining the versatility of intensive data-based approaches with the physically grounded modelling approaches developed in scientific fields such as biophysics. Biophysical modelling of the human heart offers a well-developed framework for introducing physiology into the predictive analysis of clinical data. However, high precision numerical models developed in the field often suffer from large computational costs. As a consequence, researchers often make use of simplified models based on idealized assumptions that cannot cope with the diversity and complexity of patient-specific conditions. On the other hand, Machine Learning (ML) methods (which have already achieved impressive results in several domains like vision, natural language processing, bioinformatics, etc.) often have a lack of interpretability and robustness, and do not allow an easy integration of prior knowledge available in many scientific fields.The scientific objective of this thesis is to combine the advantages of biophysics and Deep Learning (DL), methods so as to develop hybrid models exploiting the complementarity of the two approaches. Our goal is to introduce physiological priors in learning systems through biophysical modelling by learning spatiotemporal dynamics from simulations and by introducing physically motivated constraints relative to these dynamics.To achieve this, we propose two DL based frameworks for the automatic learning of cardiac electrophysiology (EP) dynamics from data.We start by presenting a fully data-driven EP-Net 2.0 framework which is able to learn and forecast the cardiac EP dynamics in the presence of unexcitable scars modelled in a cardiac tissue slab. Using synthetic data, we demonstrate that this framework can reproduce complex cardiac transmembrane potential dynamics, even outside of its training domain.Next, we extend this framework with physical priors so as to target larger forecasting horizons and to obtain a certain interpretability of corresponding models. This novel physics-based deep learning framework (APHYN-EP) can learn cardiac EP dynamics from data of different complexities.Using synthetic data, we demonstrate that the APHYN-EP framework can reproduce the complex dynamics of transmembrane potential even in presence of noise in the data. Additionally, using ex vivo optical mapping data of action potential, we show that our framework: a) can identify key physical parameters for different anatomical zones having abnormal electrical function; b) is capable to reproduce the action potential wave characteristics obtained at different pacing locations.Overall, our novel combined model-based and data-driven approaches have demonstrated the potential to improve cardiac EP modelling and to provide predictive robust and reproducible computational tools. We envision that our versatile and translational framework will be integrated into clinical computational EP models for more accurate predictions of arrhythmia.
Un défi scientifique majeur actuel consiste à combiner la polyvalence des approches intensives basées sur les données avec les approches de modélisation à base physique développées dans des domaines scientifiques tels que la biophysique. La modélisation biophysique du cœur humain offre un cadre bien développé pour introduire la physiologie dans l'analyse prédictive des données cliniques. Cependant, les modèles numériques de haute précision développés souffrent souvent de coûts de calcul importants sur le terrain. En conséquence, les chercheurs utilisent souvent des modèles simplifiés basés sur des hypothèses idéalisées qui ne peuvent pas faire face à la diversité et à la complexité des conditions spécifiques aux patients. D'autre part, les méthodes de Machine Learning (ML) (qui ont déjà obtenu des résultats impressionnants dans plusieurs domaines comme la vision, le traitement du langage naturel, la bio-informatique, etc.) manquent souvent d'interprétabilité et de robustesse, et ne permettent pas une intégration aisée des connaissances préalables disponibles dans de nombreux domaines scientifiques. L'objectif scientifique de cette thèse est de combiner les avantages de la biophysique et des méthodes de Deep Learning (DL), afin de développer des modèles hybrides exploitant la complémentarité des deux approches. Notre objectif est d'introduire des a priori physiologiques dans les systèmes d'apprentissage par la modélisation biophysique en apprenant des dynamiques spatio-temporelles à partir de simulations et en introduisant des contraintes physiquement motivées relatives à ces dynamiques. Pour ce faire, nous proposons deux frameworks basés sur DL pour l'apprentissage automatique de la dynamique de l'électrophysiologie cardiaque (EP) à partir de données. Nous commençons par présenter un framework EP-Net 2.0 entièrement basé sur les données, capable d'apprendre et de prédire la dynamique de l'EP cardiaque en présence de cicatrices non excitables modélisées dans une plaque de tissu cardiaque. À l'aide de données synthétiques, nous démontrons que ce framework peut reproduire une dynamique complexe du potentiel transmembranaire cardiaque, même en dehors de son domaine d'entraînement. Ensuite, nous améliorons ce framework avec des a priori physiques afin de viser des horizons de prévision plus larges et d'obtenir une certaine interprétabilité. Ce nouveau framework d'apprentissage en profondeur basé sur la physique (APHYN-EP) peut apprendre la dynamique de l'EP cardiaque à partir de données de différentes complexités. En utilisant des données synthétiques, nous démontrons que le framework APHYN-EP peut reproduire la dynamique complexe du potentiel transmembranaire même en présence de bruit dans les données. De plus, en utilisant des données ex vivo de cartographie optique du potentiel d'action, nous montrons que notre framework : a) peut identifier les paramètres physiques clés pour différentes zones anatomiques ayant une fonction électrique anormale ; b) est capable de reproduire les caractéristiques de propagation du potentiel d'action obtenues à différents emplacements de stimulation. Dans l'ensemble, nos nouvelles approches combinées basées sur des modèles et axées sur les données ont démontré le potentiel d’amélioration de la modélisation de l’EP cardiaque et d’obtention d’outils de calcul prédictifs robustes et reproductibles. Nous prévoyons que notre framework polyvalent et translationnel sera intégré dans des modèles informatiques cliniques d'EP pour des prédictions plus précises de l'arythmie.
Origine : Version validée par le jury (STAR)