Original title: Návrh a implementace metody pro odhad efektivity radiofrekvenční ablace u pacientů s fibrilací síní
Translated title: Design and Implementation of a Method Estimating the Effectiveness of Radiofrequency Ablation in Patients with Atrial Fibrillation
Authors: Hýl, Jan ; Haidamous, Jad (referee) ; Plešinger, Filip (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [eng] [cze]
Tato práce prezentuje návrh a implementaci metody založené na hlubokém učení, jejímž cílem je odhadnout účinnost radiofrekvenční ablace u pacientů s fibrilací síní. Ačkoliv je radiofrekvenční ablace (RFA) standardní léčbou pro obnovení sinusového rytmu, její dlouhodobou úspěšnost snižuje vysoká míra rekurence v průběhu jednoho roku. Tradiční klinické skórovací systémy často selhávají v zachycení komplexních, nelineárních elektrických vzorců nezbytných pro přesnou individuální predikci. K řešení tohoto problému studie vyvíjí model založený na páteřní architektuře hluboké reziduální neuronové sítě (ResNet). Proces vývoje využívá dvoufázový přístup přenosového učení (transfer learning): model byl nejprve předtrénován na rozsáhlé databázi PhysioNet Challenge 2021 a následně doladěn na specializovaném klinickém datasetu. Na testovací sadě model dosáhl hodnoty AUROC 0,703 a významné negativní prediktivní hodnoty 81,25 \%. Gradientní metoda vysvětlitelnosti DeepLIFT navíc potvrdila, že se predikce modelu opírají o skutečné fyziologické srdeční rysy, a nikoliv o okolní šum. V konečném důsledku si tato práce klade za~cíl zlepšit personalizovanou predikci rekurence fibrilace síní a nabízí sofistikovanější alternativu k tradičním lineárním prediktivním metodikám tím, že navrhuju standardní 12svodové EKG jako funkční a samostatný substrát pro automatizovanou předpověď rekurence. Zdrojový kód je veřejně dostupný zde: https://github.com/HonzaHyl/diplomka. This thesis presents the design and implementation of a deep learning-based method to estimate the effectiveness of radiofrequency ablation in patients with atrial fibrillation. While RFA is a standard treatment for restoring sinus rhythm, its long-term success is hindered by high recurrence rates within one year. Traditional clinical scoring systems often fail to capture the complex, non-linear electrical signatures necessary for precise individualized prediction. To address this, the study develops a model based on a Deep Residual Neural Network (ResNet) backbone. The development process utilizes a two-stage transfer learning approach: the model was initially pre-trained on the extensive PhysioNet Challenge 2021 database and subsequently fine-tuned on a specialized clinical dataset. The model achieved an AUROC of 0.703 and a notable Negative Predictive Value of 81.25\% on test set. Furthermore, gradient-based explainability using DeepLIFT confirmed that the model's predictions are driven by genuine physiological cardiac features rather than environmental noise. Ultimately, this thesis aims to enhance personalized risk stratification and offers a more sophisticated alternative to traditional linear predictive methodologies by establishing the standard 12-lead ECG as a viable, standalone substrate for automated recurrence forecasting. The source code is publicly available at: https://github.com/HonzaHyl/diplomka.
Keywords: analýza EKG; fibrilace síní; hluboké učení; přenosové učení; radiofrekvenční ablace; ResNet; Atrial Fibrillation; Deep Learning; ECG Analysis; Radiofrequency Ablation; ResNet; Transfer Learning

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259553

Permalink: http://www.nusl.cz/ntk/nusl-776487


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses