Dans une étude récente publiée dans Rapports scientifiquesdes chercheurs ont étudié les performances d’un modèle basé sur l’apprentissage automatique (ML) dans l’évaluation des caractéristiques radiomiques pour diagnostiquer la maladie coronarienne (MAC) et sa susceptibilité à l’aide d’images de tomographie par émission monophotonique (SPECT) d’imagerie de perfusion myocardique (MPI).
Les maladies cardiovasculaires (MCV) sont la principale source de morbidité et de décès dans le monde, la coronaropathie étant l’une des plus mortelles. En conséquence, il est crucial de reconnaître les facteurs de risque de cette maladie afin de prendre les précautions appropriées. L’imagerie MPI-SPECT est un atout majeur pour le diagnostic de coronaropathie car elle peut offrir une évaluation fonctionnelle du myocarde et des artères cardiaques de manière non invasive.
Cependant, l’évaluation optique de MPI SPECT dépend de l’observateur, est sujette aux erreurs et prend du temps. En conséquence, les approches automatisées et objectives pour mesurer le MPI SPECT cardiaque sont très demandées.
À propos de l’étude
Dans la présente étude radiomique, les chercheurs ont étudié le diagnostic CAO basé sur l’image MP-SPECT par ML. En particulier, l’équipe a évalué les performances de différents modèles ML appliqués aux radiomiques MPI SPECT delta, de stress et de repos pour le diagnostic CAD et la classification des risques.
Les performances des classificateurs construits à partir de trois sélections de fonctionnalités (FS) et de neuf algorithmes basés sur ML ont été évaluées de manière comparative afin d’identifier le modèle le plus précis pour l’évaluation de l’état de la CAO. Les classificateurs étaient l’amplification de gradient (GB), l’extrême GB (XGB), le K-plus proche voisin (KNN), l’arbre de décision (DT), le perceptron multicouche (MLP), la forêt aléatoire (RF), la régression logistique (LR), le support. machine à vecteurs (SVM) et Naive Bayes (NB).
Les trois méthodes utilisées pour la sélection des fonctionnalités étaient la redondance minimale à pertinence maximale (mRMR), l’élimination récursive des fonctionnalités à l’aide du classificateur Random Forest (RF-RFE) et Boruta. L’étude a inclus 395 personnes suspectées de coronaropathie qui ont subi un MPI SPECT de stress au repos de 48 heures. La population inscrite n’incluait pas les personnes souffrant d’un infarctus du myocarde.
Parmi les participants, 78 étaient normaux et 317 individus étaient sujets à la coronaropathie, parmi lesquels 135, 127 et 55 présentaient respectivement un risque faible, intermédiaire et élevé. Le myocarde ventriculaire gauche (VG), éliminant les cavités cardiaques, a été délimité manuellement sur des analyses MPI-SPECT au repos afin de déterminer le volume souhaité pour l’investigation. Le stress était induit par la dobutamine, le dipyridamole et l’exercice.
En plus des variables cliniques (antécédents familiaux, âge, sexe, habitudes tabagiques, fraction d’éjection et statut du diabète sucré), 118 caractéristiques radiomiques ont été extraites des analyses pour délimiter des ensembles de caractéristiques, telles que le stress, le delta, le repos, et des ensembles de fonctionnalités combinés. L’extraction des caractéristiques était basée sur la standardisation de l’initiative des biomarqueurs d’image (IBSI) et évaluée à l’aide du protocole Standardized Environment for Radiomics Analysis (SERA).
Parmi les données obtenues, 80 % ont été utilisées pour entraîner et 20 % pour valider le modèle. Les performances du classificateur ont été déterminées dans deux tâches, notamment (i) la classification normale (absence de CAD) et anormale (présence de CAD) et (ii) la classification à risque faible et élevé. Des mesures telles que l’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), la spécificité (SPE), la précision (ACC) et la sensibilité (SEN) ont été déterminées pour évaluer les performances du modèle.
Les données ont été analysées par deux médecins nucléaires et les désaccords ont été résolus par consensus ou par consultation d’un médecin-chef. Les médecins pouvaient accéder aux scores SPECT conventionnels, y compris le score de stress total (SSS), le score de repos total (SRS), le score de différence total (SDS) et les données d’épaississement des parois et de mouvement.
Résultats
Le modèle de caractéristiques de stress (par rapport à ceux basés sur d’autres caractéristiques) et ceux utilisés pour la tâche de stratification des risques CAS (par rapport aux premiers modèles de tâches) ont montré de meilleures performances. L’ensemble de fonctionnalités de stress utilisant le classificateur mRMR-KNN a montré les meilleures performances dans la première tâche avec des valeurs SPE, SEN, ACC et AUC de 0,6, 0,64, 0,63 et 0,61, respectivement.
Le modèle de renforcement du gradient de Boruta a donné les meilleurs résultats dans la deuxième tâche, avec des valeurs SPE, SEN, ACC et AUC de 0,76, 0,75, 0,76 et 0,79, respectivement. Les comptes de dépendance normalisés pour non-uniformité, issus de la famille voisine de la matrice de dépendance des niveaux de gris (NGLDM) et l’état du diabète sucré à partir des paramètres cliniques, ont été le plus souvent choisis parmi l’ensemble de stress pour classer le risque de coronaropathie.
Conséquences
Dans l’ensemble, les résultats de l’étude ont mis en évidence le potentiel des modèles d’apprentissage automatique pour classer les risques de coronaropathie à l’aide d’images MPI-SPECT. Ces modèles peuvent réduire considérablement le temps nécessaire à l’analyse MPI SPECT pour le diagnostic CAO et l’évaluation des risques. Ils fournissent également aux cliniciens un aperçu des facteurs contribuant au diagnostic, améliorant ainsi l’interprétabilité et la confiance dans les modèles automatisés basés sur l’intelligence artificielle.
Les performances du modèle pourraient être améliorées en le développant séparément pour chaque type de contrainte induite. Les futures études devraient inclure des patients présentant un infarctus du myocarde et des facteurs cliniques liés à la coronaropathie, tels que l’indice de masse corporelle (IMC) et l’hyperlipidémie, afin d’améliorer la généralisabilité des résultats de l’étude.
