Slabě dozorované hluboké modely proporcionálních rizik pro lokalizaci proarytmogenních ložisek u pacientů s fibrilací síní

Abstract

Tato diplomová práce se zabývá predikcí recidivy fibrilace síní na základě intrakardiálních elektrogramů pořízených při elektroanatomickém mapování levé síně u pacientů podstupujících katétrovou ablaci. Cílem bylo využít metod hlubokého učení, konkrétně slabě dozorovaného multi-instančního učení kombinovaného s analýzou přežití, k odhadu rizika recidivy a identifikaci elektrogramů nejvíce přispívajících k recidivě, které by mohly napomoci lokalizaci arytmogenních ložisek. Model se oproti tradičním přístupům nespoléhá na předem definované ukazatele, ale učí se je odvodit zpětně na základě výsledku léčby. Zpracován byl dataset 233 pacientů s mapováním při sinusovém rytmu. Data byla předzpracována pomocí normalizace a augmentací, a následně použita pro trénink modelu s reziduální konvoluční sítí a tzv. attention-based poolingem. Trénování probíhalo s využitím modifikované Coxovy ztrátové funkce a křížové validace. Nejlepší model dosáhl průměrného validačního C-indexu 0,645 a AUROC 0,586 a 0,664 pro horizonty 6 a 12 měsíců. Analýza vah ukázala slabou souvislost mezi morfologií signálů a jejich důležitostí, bez jasného vztahu ke známým patologickým rysům. Navzdory omezené predikční přesnosti výsledky naznačují potenciál pro budoucí automatizovanou lokalizaci arytmogenních ložisek na základě elektrogramů, bez nutnosti předchozí znalosti jejich morfologie.

This master's thesis focuses on the prediction of atrial fibrillation recurrence based on intracardiac electrograms acquired during electroanatomical mapping of the left atrium in patients undergoing catheter ablation. The aim was to apply deep learning methods, specifically, weakly supervised multiple instance learning combined with survival analysis, to estimate the risk of recurrence and to identify the electrograms most contributing to recurrence, which could assist in localizing arrhythmogenic substrate. Unlike traditional approaches, the model does not rely on predefined indicators but instead learns to infer them based on treatment outcomes. The dataset consisted of 233 patients mapped during sinus rhythm. The data were preprocessed via normalization and augmentation, and subsequently used to train a model with a residual neural network and attention-based pooling. Training was performed using a modified Cox loss function and cross-validation. The best model achieved an average validation C-index of 0.645 and AUROC scores of 0.586 and 0.664 at 6 and 12 months, respectively. Attention weight analysis revealed a weak association between signal morphology and attention levels, with no clear evidence of known pathological features. Despite the limited predictive power, the results suggest potential for future automated localization of arrhythmogenic substrate based on electrograms, without the need for prior knowledge of their morphology.