Dans une étude récente publiée dans Frontières en santé publique, les chercheurs ont démontré que les signaux de type vasculaire (N) dans les tomodensitogrammes thoraciques (CT) pourraient servir de biomarqueurs d’imagerie robustes (IB) du dépistage précoce de la maladie à coronavirus 2019 (COVID-19). Ils ont également validé ces IB cliniquement pertinents, ouvrant ainsi une nouvelle possibilité d’aider au dépistage des patients COVID-19. Plus important encore, ces IB ont montré un potentiel substantiel pour réduire la charge de travail des cliniciens et aider à distinguer le COVID-19 des autres maladies pulmonaires.
Sommaire
Arrière plan
Il existe une pénurie de kits de détection d’acide nucléique (AN) et de professionnels spécialisés dans de nombreux pays, ce qui limite la possibilité de détection du COVID-19 à un stade précoce via des tests de diagnostic. Une charge virale relativement faible au stade précoce de la maladie entraîne également des faux négatifs ou une sensibilité limitée des tests de transcription inverse-amplification en chaîne par polymérase (RT-PCR). Ensuite, une proportion considérable de patients ne présentent même pas de symptômes cliniques typiques lors de l’apparition de la maladie.
L’imagerie pulmonaire, en particulier la tomodensitométrie thoracique, pourrait jouer un rôle unique dans le diagnostic précoce de la COVID-19. Il détecte les opacités unifocales en verre dépoli (GGO) dans les poumons des patients COVID-19 à un stade précoce de l’infection. Au fur et à mesure que la maladie progresse, les OGG s’infiltrent dans tout le poumon et apparaissent sous forme de lésions. Les images CT pulmonaires pourraient également aider à suivre les changements pulmonaires chez les patients atteints de COVID-19 qui ont des tests NA négatifs.
Cependant, ce qui limite l’utilisation de la plupart des études informatiques basées sur la TDM thoracique est le fait qu’il y a un manque de caractéristiques typiques chez les patients COVID-19 à un stade précoce. De plus, les patients atteints de pneumonie communautaire (PAC) ont des caractéristiques de scanner thoracique trompeuses.
À propos de l’étude
Dans la présente étude, les chercheurs ont examiné 419 patients de deux hôpitaux en Chine, combinant l’intelligence artificielle (IA) et les résultats cliniques sur les changements vasculaires dans les régions pulmonaires avec une approche de biologie systémique. Tous les patients atteints de COVID-19 avaient des diagnostics confirmés de maladie légère à modérée entre janvier 2020 et mars 2020 sur la base des critères de la Commission nationale de la santé de la République populaire de Chine. L’équipe a recruté au hasard des patients en bonne santé et des patients atteints de CAP dans les deux mêmes hôpitaux et les a utilisés comme témoins dans des cohortes de formation et de validation de manière indépendante. Les patients témoins avaient également des infections pulmonaires diagnostiquées par imagerie CT quelques mois avant le début de l’épidémie de COVID-19.
De plus, les chercheurs ont utilisé deux tomodensitomètres différents, GE Optima 660 CT et uCT 530, avec une tension de tube de 120 kilovoltage crête (kVp) et une épaisseur de reconstruction de 0,625 et 1,5 mm, respectivement. Ils ont reconnu des signaux de type vasculaire dans les régions pulmonaires pré-segmentées des patients en trois dimensions (3D) à l’aide du vote tangentiel itératif (ITV). Ils ont rééchantillonné chaque image CT thoracique 3D dans un espace d’image isotrope, suivi d’ITV.
L’équipe a invité deux radiologues avec plus de deux mois d’expérience intense et continue de diagnostic de COVID-19 à Wuhan, Chine, évaluer indépendamment et aveuglément les images de CT dans la cohorte de validation de l’étude. Enfin, ils ont utilisé le test non paramétrique de Mann-Whitney pour déterminer la différence dans les signaux de type vasculaire et l’abondance des IB individuels parmi différents groupes. De même, ils ont utilisé la régression logistique pour trouver une association entre les signatures pulmonaires et le COVID-19.
Résultats de l’étude
Sur les 419 participants à l’étude, 116 patients de l’hôpital A et 303 patients de l’hôpital B ont servi respectivement d’ensemble de formation et d’ensemble de validation en double aveugle. Les âges médians (en années) des participants de ces deux cohortes étaient de 42 et 51 ans. Le pourcentage de femmes et d’hommes dans les cohortes de formation et de validation était de 45,7 % contre 54,3 % et de 53,1 % contre 46,9 %. Le nombre de patients COVID-19, de participants en bonne santé et de patients CAP dans la cohorte de formation était de 47, 20 et 49, respectivement. De même, la cohorte de validation comptait respectivement 153, 60 et 90 patients COVID-19, participants en bonne santé et patients CAP.
Comparés aux patients en bonne santé et aux CAP, les patients COVID-19 présentaient significativement plus de changements vasculaires dans les poumons. Curieusement, l’intensité moyenne des structures de type vasculaire reconnues et améliorées par l’ITV dans la région pulmonaire de la cohorte d’entraînement a révélé des différences statistiquement significatives (p <0,05) entre les patients sains, CAP et COVID-19.
L’application de Stacked Predictive Sparse Decomposition (Stacked PSD) sur l’espace de signal de type vasculaire de la cohorte de formation a permis de découvrir huit IB pertinents pour le COVID-19. Chacun avait une abondance significativement différente entre les patients COVID-19 et les autres, telle qu’évaluée par l’analyse en composantes principales (ACP) et le regroupement. Un modèle de classification forestière aléatoire pour le dépistage du COVID-19 basé sur ces IB au sein de la cohorte de formation a montré que chaque IB contribuait différemment lors du dépistage. IB-163 a donné la meilleure performance de biomarqueur unique [ared under the curve (AUC) = 0.893].
Même dans la cohorte de validation, ces huit IB pré-identifiés ont clairement séparé les patients COVID-19 des autres. De manière encourageante, le modèle de forêt aléatoire basé sur des IB pré-obtenus a prédit le COVID-19 avec une sensibilité (0,941) et une précision (0,931) excellentes, en concurrence avec deux radiologues thoraciques expérimentés dans le COVID-19. À l’exception de l’IB-88, tous les IB ont fourni des distinctions perceptuelles et quantitatives pour deux cas mal diagnostiqués par les radiologues participants, permettant un dépistage précis avec plus de 96 % de confiance.
conclusion
La validation en double aveugle dans les hôpitaux et les tomodensitomètres a confirmé que les IB identifiés dans l’étude pouvaient fonctionner de manière robuste et efficace dans des contextes cliniques réels. Ils ont obtenu des résultats supérieurs aux radiologues thoraciques expérimentés dans le COVID-19, en particulier pour les cas ambigus, ce qui est courant lors du dépistage précoce du COVID-19.
De nombreux modèles d’IA de bout en bout nécessitent de grandes cohortes de formation et des ressources de calcul excessives. L’étude a développé un cadre d’apprentissage non supervisé avec une stratégie d’extraction IB à anticipation qui impliquait uniquement la non-linéarité élémentaire et la multiplication matricielle. Pourtant, il a fourni des performances de dépistage supérieures, évolutives et stables en utilisant une petite cohorte de formation (n = 116).
Pour résumer, les auteurs ont développé une méthode de dépistage COVID-19 robuste, précise et rentable qui a fourni des informations cliniques au-delà de la pratique clinique existante et de la portée de nombreux systèmes d’IA de bout en bout existants. Avec des improvisations, cela pourrait faciliter la prédiction du pronostic et des résultats cliniques des patients atteints de COVID-19 à un stade précoce.
