CUSTOM 2D CNN MODEL FOR CARDIOVASCULAR DISEASE CLASSIFICATION FROM ECG IMAGES

Abstract

Les maladies cardiovasculaires demeurent la principale cause de mortalité dans le monde, soulignant l’importance cruciale d’outils diagnostiques efficaces. L’électrocardiographie (ECG) joue un rôle essentiel dans la détection précoce des anomalies cardiaques. Dans cette étude, nous proposons une architecture légère de deep learning, appelée Customized-CNN, pour la classification de pathologies cardiovasculaires à partir d’images 2D d’ECG à 12 dérivations. Le modèle a été entraîné sur le vaste ensemble de données PTB-XL et validé sur un jeu de données cliniques réelles provenant de la Centre Hospitalier Universitaire Ibn Sina à Rabat, Maroc. L’analyse comparative avec des architectures de pointe, telles que ResNet-18 avec mécanismes d’attention, MobileNet et EfficientNet, a montré que le modèle Customized-CNN surpasse ses concurrents, atteignant un score F1 macro de 0,83. Le modèle a démontré une excellente performance pour la détection des anomalies du segment ST-T et de l’hypertrophie, tout en maintenant une précision globale élevée sur cinq catégories diagnostiques. Ces résultats suggèrent qu’un réseau convolutionnel simple mais bien conçu peut fournir des performances cliniquement pertinentes, notamment dans les environnements à ressources limitées. Cette étude met en évidence le potentiel des modèles d’intelligence artificielle dans l’interprétation automatisée des ECGs et l’amélioration des soins cardiovasculaires dans divers contexts médicaux.