📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Le cœur bat comme un tambour dans la pièce voisine : au rythme et à la sourdeur des battements, un médecin expérimenté devine ce qui se passe – une cavité dilatée, une paroi épaissie ou une valve qui claque à contretemps. Mais pour en avoir le cœur net, on allonge le patient sur une table et on promène une sonde sur sa poitrine – c'est l'échocardiographie (l'échographie du cœur). L'examen est coûteux, exige un spécialiste, et la file d'attente s'étire sur des semaines.

Les auteurs de l'étude ont utilisé l'ensemble de données ouvert EchoNext Mini-Model – des milliers d'enregistrements où chaque patient a à la fois un électrocardiogramme (ECG) standard et un rapport d'échographie. Ils ont comparé trois stratégies : l'approche classique avec extraction manuelle de caractéristiques et boosting par gradient, l'apprentissage d'un réseau de neurones de zéro directement sur les courbes ECG, et le transfert de connaissances à partir de grands modèles pré-entraînés qui ont déjà « vu » des millions d'électrocardiogrammes. Le transfert a nettement surpassé les autres, surtout lorsque le modèle a d'abord été affiné sur les signaux bruts de la base cible sans diagnostics – comme un musicien qui s'accorde à l'acoustique de la salle avant de jouer. Cette « base » adaptée a donné les meilleures métriques : aire sous la courbe d'erreur (AUROC) de 0.85 et précision des prédictions positives (AUPRC) de 0.43 sur l'ensemble des six étiquettes.

Les ingénieurs ont également testé des modes d'ajustement doux – LoRA (adaptation de bas rang) a permis de maintenir la qualité avec deux fois moins de paramètres entraînables. Cela signifie qu'un tel modèle peut être déployé plus rapidement et à moindre coût dans un hôpital, sans le réentraîner de zéro pour chaque nouvel appareil d'ECG. En bref : pour que l'électrocardiogramme parle le langage de l'échographie, il n'a pas besoin d'un traducteur encombrant, mais d'un court « réglage sur le terrain ».

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2604.23385

Transthoracic echocardiography is the reference standard for confirming structural heart disease (SHD), but first-line screening is limited by cost, workflow burden, and specialist availability. We evaluated whether open pretrained electrocardiogram (ECG) foundation models can support echo-confirmed multi-label SHD detection using the public EchoNext Mini-Model benchmark. Six echocardiography-derived abnormalities were targeted: reduced left ventricular ejection fraction, increased left ventricular wall thickness, aortic stenosis, mitral regurgitation, tricuspid regurgitation, and right ventricular systolic dysfunction. Under a common pipeline, we compared engineered ECG features with gradient boosting, end-to-end waveform learning from scratch, and transfer from open ECG foundation models. We then applied in-domain self-supervised adaptation of an ECG foundation model (ECG-FM) on EchoNext waveforms followed by selective supervised fine-tuning, and evaluated trade-offs between discrimination and adaptation cost. Adapted ECG-FM models achieved the best overall performance: peak macro-AUROC 0.8509 and macro-AUPRC 0.4297, while a parameter-efficient operating point preserved AUROC (0.8501) and attained the highest fixed-threshold macro-F1 0.3691. Late fusion with covariates did not improve threshold-independent discrimination, and evaluated LoRA, alternative backbones, and mixture-of-foundations strategies did not surpass the best adapted single-backbone models. These results indicate that for ECG-based case finding and echocardiography triage, combining target-domain self-supervised adaptation with selective supervised updating of a pretrained ECG backbone is the most effective transfer strategy.