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

L'électrocardiogramme, c'est comme l'enregistrement d'une conversation où le cœur murmure quelque chose tandis qu'à côté, un chantier fait du bruit. La fibrillation auriculaire, où les oreillettes tremblent au lieu de se contracter, modifie ce murmure de façon presque imperceptible. Un médecin expérimenté perçoit la différence, mais à l'hôpital, il y a beaucoup d'enregistrements et encore plus de parasites : le patient a bougé, un appareil s'est allumé à côté, un frisson a parcouru la peau. Le programme présenté par les auteurs apprend à isoler la voix du cœur de tout ce vacarme de fond.

Le secret ? Le programme regarde l'électrocardiogramme avec deux yeux à la fois. Un œil saisit la vue d'ensemble — comment le cœur bat sur plusieurs secondes. L'autre examine les ondes individuelles, comme des lettres dans un mot. En confrontant le général et le particulier, il mémorise ce qui relève du signal cardiaque et ce qui n'est qu'un artefact aléatoire. Ensuite, quand arrive un nouvel enregistrement d'un autre hôpital, réalisé avec un autre appareil, le programme ne se perd pas : il cherche une écriture familière, pas une copie conforme des anciennes courbes.

Cette robustesse ressemble à la capacité de reconnaître un ami dans la foule : à sa démarche et à l'inclinaison de sa tête, même s'il a mis une autre veste et se tient dans l'ombre. Pour le médecin, cela signifie que l'assistant intelligent n'exigera pas un enregistrement parfaitement propre. Il sera utile aux urgences, dans l'ambulance, chez une personne âgée avec un cardiographe portable — partout où le signal du cœur ne ressemble pas à l'image d'un manuel.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2608.18451v1

\textbf{Background and Objective}: Reliable atrial fibrillation (AF) detection from electrocardiogram (ECG) signals remains challenging in real-world clinical settings due to variable lead configurations, cross-dataset domain shifts, and pervasive physiological and technical artifacts. So we develop a robust and generalizable deep learning model for accurate AF detection.\\ \textbf{Methods}: We propose the Dual-Codebook Graph Collaborative Network (DCGCNet), a novel end-to-end vector-quantized variational autoencoder that jointly performs AF classification and ECG reconstruction. DCGCNet introduces two key components: (1) a Local-Global Contrastive Module for learning noise-invariant representations, and (2) an Adaptive Codebook Vector Quantizer that dynamically refines codebook prototypes to better align with input data distributions, thereby preventing codebook collapse and enhancing generalization.\\ \textbf{Results}: DCGCNet achieves state-of-the-art performance in standard intra-dataset 12-lead evaluation and demonstrates exceptional cross-dataset generalization across seven diverse settings, consistently attaining AUC > 0.98 in all cases. Furthermore, it maintains high diagnostic accuracy under realistic noisy conditions, including baseline wander, powerline interference, and EMG artifacts.\\ \textbf{Conclusions}: DCGCNet establishes a new benchmark for robust, generalizable, and noise-resilient AF detection, showing strong potential for deployment in real-world clinical environments.