Lucas ZORODDU : soutenance de thèse

Lucas ZORODDU

Machine Learning pour les Séries Temporelles et les Graphes : Applications aux EGM pour la Tachycardie Ventriculaire.

Résumé de la thèse

Cette thèse se situe à l'intersection de l'apprentissage automatique et de l'électrophysiologie cardiaque, un domaine dans lequel les données sont complexes et difficiles à interpréter. Les électrogrammes intracardiaques (EGMs) ne fournissent que des observations indirectes, locales et partielles de l'activité électrique du cœur. Ils sont fortement influencés par les conditions d'acquisition, notamment la position et l'orientation des cathéters, les mouvements cardiaques et respiratoires, ainsi que les interventions réalisées au cours de la procédure. Il en résulte des mesures bruitées, hétérogènes et souvent non stationnaires. L'absence de vérité terrain fiable et la variabilité des annotations cliniques limitent en outre les approches classiques d'apprentissage supervisé.

Nous étudions tout d'abord l'intérêt d'intégrer explicitement l'organisation spatiale du cœur à travers des représentations sous forme de graphes. En modélisant les sites d'enregistrement comme des nœuds associés à une structure anatomique ou géométrique, le traitement du signal sur graphe (Graph Signal Processing, GSP) permet d'analyser conjointement les propriétés spatiales et temporelles des données. Ce formalisme est notamment utilisé pour l'estimation des temps d'activation locale, l'analyse des schémas de propagation et la construction de représentations temps-sommet des EGMs.

Dans la continuité de cette approche, nous introduisons un modèle de causalité de Granger en réseau intégrant une connaissance a priori de la structure du graphe. Cette formulation vise à améliorer l'estimation des dépendances temporelles directionnelles lorsque les observations sont courtes ou peu nombreuses. Nous développons un algorithme d'optimisation, étudions ses propriétés théoriques et évaluons son intérêt pour l'analyse de propagations atypiques.

Nous comparons ensuite plusieurs approches supervisées, univariées, multivariées et fondées sur des graphes, pour la détection de signaux anormaux et l'identification de régions potentiellement pertinentes pour l'ablation. Les résultats montrent la faisabilité de ces approches, mais aussi leurs limites, principalement liées à la variabilité inter-annotateurs et à l'absence d'une vérité terrain objective.

Nous proposons donc de reformuler le problème d'annotation sous la forme de comparaisons par paires entre signaux plutôt que d'utiliser uniquement des étiquettes binaires absolues. Cette supervision relative permet de modéliser différents degrés d'anormalité tout en limitant l'influence des seuils de décision propres à chaque expert. Dans ce cadre, nous étudions le modèle du point idéal (Ideal Point Model) et proposons une extension aux séries temporelles fondée sur des distances élastiques. Nous établissons plusieurs propriétés théoriques et présentons une première preuve de concept sur des EGMs.

Enfin, nous discutons plusieurs perspectives, notamment l'utilisation de réseaux de neurones sur graphes pour les cartes électroanatomiques et le développement de modèles de fondation en électrophysiologie cardiaque. Ces travaux prolongent l'idée centrale de cette thèse : l'analyse des données électrophysiologiques nécessite de combiner la morphologie des signaux, leur organisation spatiale et la structure physiologique sous-jacente.

Direction de la thèse

• Laurent OUDRE

Composition du jury

• Marianne CLAUSEL,  Rapporteur et Examinatrice, Professeure des Universités, Université de Lorraine

• Olivier MESTE,  Rapporteur et Examinateur, Professeur des Universités, Université Côte d'Azur

• Romain TAVENARD,  Examinateur, Professeur des Universités, Université de Rennes

• Nicolas VAYATIS,  Examinateur, Professeur des Universités, Université Paris-Saclay

Publications