L’électrocardiogramme (ECG) est un outil non invasif permettant d’évaluer l’activité électrique du cœur. Ils sont largement utilisés dans la détection d’anomalies cardiaques. Les algorithmes d’apprentissage profond permettent la détection automatique de schémas complexes dans les données ECG, ce qui offre un potentiel important pour l’amélioration du diagnostic médical. Toutefois, leur adoption est freinée par un faible niveau de confiance des cliniciens et un besoin massif de données pour entrainer les modèles. L’intelligence artificielle, en particulier l’apprentissage profond (deep learning), permet d’explorer des représentations hiérarchiques de données complexes, ce qui permet de mieux comprendre les interactions internes. Néanmoins, l’interprétabilité des modèles est cruciale pour gagner la confiance des spécialistes et permettre une utilisation générale. Ces travaux de thèse, réalisés en étroite collaboration avec des spécialistes en cardiologie, visent à développer un nouvel algorithme d’interprétabilité pour les réseaux de neurones appliqués aux données ECG. Notre étude se concentre sur une pathologie cardiaque spécifique, la Torsades de pointes (TdP). La TdP est une arythmie mortelle associée à divers facteurs, notamment médicamenteux et/ou des mutations congénitales. Une prédiction précise de ce risque peut améliorer les soins aux patients et potentiellement sauver des vies. Nous avons commencé par concevoir un réseau de neuronnes pour prédire le risque de TdP à l’aide de données ECG. Ensuite, nous avons développé un nouvel algorithme d’interprétabilité baptisé Evocclusion, qui permet de mieux comprendre le processus de décision du réseau de neurones. Cet algorithme vise à fournir des informations lisibles par l’homme sur les prédictions du modèle, afin d’accroître la confiance des cliniciens et des spécialistes. Enfin, nous présentons deux autres méthodes développées pour améliorer l’analyse de l’ECG et la méthode d’interprétabilité. La qualité du signal est un aspect crucial dans l’analyse d’ECGs. Ainsi, nous proposons une nouvelle méthode utilisant un autoencodeur de débruitage pour réduire de manière significative le bruit présent dans les données ECG et reconstruire partiellement le signal. Cette technique améliore la fiabilité des données d’entrée pour des analyses approfondies et garantit que les réseaux de neurones ont accès à des informations de haute qualité. Nous avons également développé des réseaux supplémentaires pour segmenter l’ECG et extraire les battements, les ondes P et T et complexes QRS. Cette segmentation permet une compréhension plus approfondie des composants de l’ECG et ouvre la voie à de nouvelles analyses sur des composantes spécifiques du signal. En outre, nous fournissons une méthode pour évaluer un vecteur score de qualité ECG, ce qui nous permet de nous concentrer sur les parties du signal qui ont un bon score de qualité. Cette approche garantit que les informations les plus fiables sont utilisées pour l’analyse et les cliniciens, ce qui réduit le risque de faux positifs et négatifs. Cette recherche vise à renforcer la confiance dans l’utilisation de réseau de neurones, ce qui permettra d’améliorer l’automatisation des tâches complexes en médecine et ailleurs, et, en fin, d’améliorer le traitement des patients.