Un nuovo indicatore per valutare la coerenza degli strumenti di intelligenza artificiale per la malattia coronarica = A new indicator for assessing consistency of Artificial Intelligence tools for coronary artery disease

Le malattie cardiovascolari sono una delle principali cause di morte, in particolare la malattia coronarica (CAD) causa circa 7,4 milioni di decessi. La causa principale della CAD è la formazione di placche aterosclerotiche, che tendono ad alterare il flusso sanguigno limitandolo al punto da causare ischemia, angina e, nei casi peggiori, infarto del miocardio, per i quali la diagnosi tempestiva è una priorità. Il principale metodo di diagnosi è la valutazione del tracciato ECG. Negli ultimi anni, l'intelligenza artificiale, in particolare le reti neurali profonde, è stata spesso utilizzata per classificare la presenza o l'assenza di una determinata patologia. Nello specifico, per i segnali ECG è stata spesso utilizzata per la rilevazione di condizioni patologiche sia nel contesto di una classificazione binaria che multiclasse, sfruttando anche derivazioni multiple del segnale ECG. Questo lavoro di tesi ha l'obiettivo di capire come il modello di intelligenza artificiale sia arrivato alla classificazione e di valutarne la robustezza in diverse condizioni; ciò viene fatto per mezzo di un'intelligenza artificiale spiegabile con l'ausilio di un algoritmo chiamato Grad-CAM che permette all'utente di vedere, attraverso mappe di calore, le regioni del segnale che sono state considerate particolarmente rilevanti per la decisione. Per questo lavoro di tesi, i segnali ECG dei soggetti CAD sono stati presi dal database delle aritmie a 12 derivazioni dell'Istituto di Cardiologia Technics di San Pietroburgo, mentre i segnali ECG dei soggetti non CAD sono stati presi dal database Fantasia di Physionet. Per la successiva corruzione del segnale, sono stati utilizzati dapprima un rumore casuale a media zero e successivamente segnali di disturbo provenienti dal database dei disturbi di Physionet, in particolare artefatti da movimento degli elettrodi (em) e artefatti da movimento (ma). In questo lavoro sono state utilizzate tre diverse reti neurali profonde: Rete neurale convoluzionale (CNN), DenseNet e una rete neurale convoluzionale (CNN) con, in cascata, due strati di memoria bidirezionale a breve termine (BiLSTM). A questi è stato applicato il metodo Gradient-weighted Class Activation Mapping (Grad-CAM), prima ai segnali non corrotti, ottenendo le heatmap di base per i tre modelli, e poi ai segnali corrotti con i rumori precedentemente descritti. Alle heatmap è stata applicata una suddivisione in percentili e ci si è concentrati maggiormente sulle regioni appartenenti al 75° percentile. In seguito, sulle heatmap normalizzate dalla divisione in percentili, è stato calcolato un nuovo indicatore, appositamente sviluppato e punto cardine di questo lavoro di tesi, che mette in relazione le heatmap originali con quelle dei segnali corrotti dai diversi tipi di rumore a tutti i livelli, permettendo di valutare la deviazione delle heatmap ottenute dai segnali corrotti rispetto a quelle ottenute dal segnale originale. Grazie alle heatmap e all'introduzione di questo nuovo parametro, è stato possibile valutare la robustezza e la consistenza dei vari modelli al rumore e trovare così il modello migliore sia dal punto di vista della classificazione che della robustezza. I risultati ottenuti dall'analisi hanno mostrato che la CNN+BiLSTM risulta essere la rete con le migliori prestazioni ma anche la più robusta e resistente al rumore, in quanto l'indicatore introdotto ha mostrato una maggiore coerenza tra le heatmap dei segnali non corrotti e le heatmap dei segnali corrotti con i tre tipi di rumore.