Une nouvelle recherche présentée à l’ACR Convergence 2023, la réunion annuelle de l’American College of Rheumatology (ACR), montre qu’un système d’apprentissage profond pourrait identifier et prédire avec précision le rétrécissement et les érosions de l’espace articulaire sur les radiographies des mains de patients atteints de polyarthrite rhumatoïde (PR) (Résumé n° 0745) .
Les radiographies sont la technique d’imagerie la plus couramment utilisée pour détecter et surveiller la PR de la main. Les radiologues utilisent fréquemment la méthode Sharp/van der Heidje (SvH) bien validée pour évaluer le rétrécissement et les érosions de l’espace articulaire en notant des emplacements spécifiques dans chaque main et poignet. Cependant, la notation SvH prend du temps et nécessite une expertise qui n’est pas toujours disponible. Cela a conduit à une utilisation accrue de l’apprentissage profond (également appelé apprentissage automatique) pour analyser les données radiographiques des mains dans la PR.
Selon Carol Hitchon, MD, FRCPC, MSc, professeure agrégée à l’Université du Manitoba et clinicienne-chercheuse en rhumatologie et co-auteure principale de l’étude, « l’apprentissage automatique offre une approche puissante et complémentaire aux méthodes traditionnelles de détection et de diagnostic de la PR. . Il améliore la précision, l’efficacité et l’objectivité de l’évaluation des radiographies de la PR, tout en offrant la possibilité d’une détection précoce des dommages et des informations précieuses sur la maladie.
Pour la présente étude, Hitchon et ses collègues visaient à développer et à valider un système d’apprentissage profond pour la détection automatisée des articulations et la prédiction des scores SvH dans les radiographies des mains de patients atteints de PR.
Ils ont utilisé un algorithme basé sur un réseau neuronal convolutif (CNN) appelé You Only Look Once (YOLO). CNN est un réseau neuronal d’apprentissage profond souvent utilisé dans les tâches de vision par ordinateur et de reconnaissance et utilisé avec succès dans la classification d’images médicales. YOLO est un type de modèle CNN spécialement conçu pour la détection d’objets en temps réel dans les images et les vidéos et connu pour sa rapidité et son efficacité dans le traitement des images. Hitchon et ses collègues ont utilisé une version récente de YOLOv516, dont ils ont montré qu’elle était précise à plus de 90 % pour détecter les articulations de la main.
Le modèle YOLO a été formé pour détecter les articulations dans 240 radiographies des mains pédiatriques de formation et 89 évaluations de la base de données de la Radiologic Society of North America.
Les chercheurs ont encadré et étiqueté les différentes articulations d’intérêt : interphalangienne proximale, métacarpophalangienne, poignet, radius distal et cubitus distal. Le modèle de détection commune a été validé avec 54 radiographies étiquetées par des cliniciens provenant de quatre patients adultes atteints de PR suivis pendant plus d’une décennie.
Les chercheurs ont ensuite appliqué un modèle de transformateur de vision (VTM) pour prédire l’érosion et le rétrécissement de l’espace articulaire de chaque articulation. Hitchon explique qu’un VTM est une architecture d’apprentissage en profondeur conçue pour traiter et comprendre efficacement des séquences de données.
Il fonctionne en divisant une image en petits patchs, en transformant ou en aplatissant les patchs en une séquence, en créant des intégrations linéaires de faible dimension à partir des patchs aplatis, en ajoutant les intégrations positionnelles, puis en introduisant la séquence codée dans un encodeur de transformateur standard pour la tâche de prédiction restante. «
Carol Hitchon, MD, FRCPC, MSc, professeure agrégée, Université du Manitoba
Le VTM a été validé à l’aide de plus de 2 200 radiographies des mains de 381 patients atteints de PR auxquels un médecin avait attribué des scores SvH. Les patients ont été sélectionnés à partir de la cohorte canadienne d’arthrite précoce, une étude de recherche canadienne multicentrique. Ces radiographies notées ont été utilisées comme référence pour cette étude.
Le modèle de détection des articulations a été formé pour détecter l’ensemble du poignet, mais les chercheurs avaient des scores SvH pour des articulations individuelles du poignet. Ils ont donc formé un modèle distinct pour détecter le rétrécissement et l’érosion de l’espace articulaire dans chaque articulation.
Lorsqu’ils ont évalué la précision de leurs modèles, ils ont constaté :
- Le modèle de détection des articulations a identifié avec précision les articulations cibles. Le score F1 des données pédiatriques était de 0,991 et le score F1 des données adultes était de 0,812. (En apprentissage automatique, le score F1 est une mesure qui mesure la précision d’un modèle).
- Les prévisions VTM concernant le rétrécissement et l’érosion de l’espace articulaire étaient très précises. L’erreur quadratique principale, qui évalue l’exactitude des prédictions, était respectivement de 0,91 et 0,93.
- Les modèles multitâches ont prédit les scores d’érosion SvH et de rétrécissement de l’espace articulaire des articulations individuelles du poignet avec une précision modérée (0,6 à 0,91).
Hitchon dit qu’ils n’ont pas été surpris par les performances de leur modèle.
« Les technologies d’IA que nous avons appliquées à cette étude ont été largement utilisées avec succès dans d’autres domaines, dont certains ont été commercialisés. Par rapport aux performances du modèle dans d’autres domaines, nos performances sont relativement faibles pour prédire le score radiologique de certains types d’articulations. , comme le poignet. [This] Cela peut être dû à la taille relativement petite de l’échantillon de notre étude ou à la complexité de l’anatomie de l’articulation du poignet », note-t-elle.
Hitchon affirme également que les performances du modèle ne correspondent pas à celles des radiologues humains pour des articulations comme le poignet.
« Les modèles d’IA ne peuvent pas remplacer les radiologues humains à ce stade, mais ils constitueront d’excellents outils complémentaires qui peuvent améliorer la qualité et l’efficacité globales de l’analyse de notation des radiographies lorsqu’ils sont utilisés conjointement avec le jugement du radiologue. [these models] peut être applicable à l’interprétation de grands volumes de rayons X dans les essais cliniques.
L’étude présente deux limites principales : les radiographies ont été obtenues auprès de cohortes composées presque entièrement de femmes blanches et les résultats peuvent ne pas s’appliquer aux races et ethnies traditionnellement sous-représentées dans les études de recherche. Hitchon reconnaît que les résultats doivent être reproduits dans d’autres groupes. Le modèle n’a pas non plus la capacité d’apprendre et de devenir plus précis avec les images ultérieures, bien que Hitchon affirme développer un nouveau cadre d’apprentissage en profondeur afin que le modèle ait une capacité d’apprentissage continue lorsque de nouvelles données sont disponibles.
Cette étude a reçu un financement local de la Health Science Centre Foundation, un organisme de bienfaisance hospitalier de Winnipeg, Manitoba, Canada. L’un des co-auteurs, Pingzhao Hu, est soutenu par le Programme des chaires de recherche du Canada. La cohorte canadienne de l’arthrite précoce, qui a fourni un ensemble de radiographies, est financée par plusieurs sources.
