Deep learning efficiente nell’uso delle etichette per la delineazione dell’ECG: un benchmark su più dataset a confronto con strumenti di delineazione ampiamente utilizzati

Abstract degli autori

La delineazione dell’elettrocardiogramma (ECG), cioè l’identificazione dei limiti delle forme d’onda, è un passaggio fondamentale per trasformare i segnali ECG grezzi in misure interpretabili sul piano clinico. Il deep learning ha fatto progredire questo compito, ma resta dipendente da costose annotazioni di esperti. Strategie che richiedono meno etichette, come il pretraining autosupervisionato e l’apprendimento semisupervisionato, dovrebbero ridurre questo onere. Non è però ancora chiaro se consentano una delineazione affidabile e se i modelli di deep learning così ottenuti superino gli strumenti di delineazione usati nella pratica. Affrontiamo la questione in due fasi. Innanzitutto, confrontando diversi obiettivi di apprendimento autosupervisionato con il fine-tuning supervisionato o semisupervisionato su un dataset interno e quattro esterni, rileviamo che il pretraining è utile, ma che la scelta dell’obiettivo conta, e che il valore del fine-tuning semisupervisionato dipende dall’obiettivo del pretraining. In secondo luogo, confrontiamo il modello di deep learning selezionato con strumenti open source (NeuroKit2, Prominence, ECGdeli) e commerciali (CalECG) ampiamente utilizzati, impiegando tre metriche complementari. Il modello ottiene il miglior risultato per ogni metrica e in ogni dataset, superando nettamente lo strumento più efficace nel dataset con ritmi diversi (mIoU 71,3 contro 54,8%; sensibilità media punto per punto 92,6 contro 76,4%) e registrando il minore calo di prestazioni nel passaggio dal ritmo sinusale all’aritmia. Un’analisi per tipo di ritmo e punto per punto caratterizza inoltre il comportamento specifico di ciascuno strumento, offrendo indicazioni pratiche per la scelta. Questi risultati forniscono prove sistematiche, basate su più dataset, dell’efficacia del pretraining autosupervisionato per la delineazione dell’ECG e mostrano che, sfruttando l’abbondanza di dati privi di etichette, un modello di deep learning addestrato con un uso efficiente delle etichette può superare strumenti di delineazione ampiamente utilizzati. Ciò avvalora l’adozione di modelli di questo tipo in diversi contesti clinici reali.