Le diagnostic rapide de la maladie à coronavirus 2019 (COVID-19) est une priorité de recherche élevée, avec l’augmentation rapide des infections et des décès à l’approche de l’hiver.
Une nouvelle étude d’Athènes, en Grèce, décrit l’utilisation d’un algorithme d’apprentissage en profondeur qui utilise des radiographies pulmonaires pour diagnostiquer la pneumonie à COVID-19. Cette pré-impression, disponible sur le medRxiv * serveur, présente des résultats expérimentaux qui suggèrent une approche hautement performante pour la radiographie diagnostique COVID-19.
Exemples d’images radiographiques thoraciques en vue frontale à partir des ensembles de données. Crédit d’image: https://www.medrxiv.org/content/10.1101/2020.12.14.20248158v1.full.pdf
Sommaire
Radiographies thoraciques dans COVID-19
Le COVID-19 affecte principalement les poumons, bien qu’il puisse endommager plusieurs organes en cas de maladie grave ou critique. Ainsi, les radiographies pulmonaires jouent un grand rôle dans le diagnostic de la pneumonie à COVID-19. Les résultats importants dans cette condition incluent une blancheur accrue des poumons, proportionnelle à la gravité de la maladie.
L’aspect radiographique typique des poumons dans la pneumonie à COVID-19 est des opacités en verre dépoli et parfois des opacités linéaires dans la périphérie pulmonaire, les marques pulmonaires étant quelque peu obscurcies. Au fur et à mesure que la condition s’aggrave, ces marques deviennent invisibles, ou «blanchies».
La détection de la consolidation pulmonaire en combinaison avec des évaluations de laboratoire et cliniques pourrait être utile pour diagnostiquer cette maladie de manière précoce et fiable.
Apprentissage en profondeur dans le diagnostic COVID-19
L’apprentissage en profondeur a été largement utilisé en imagerie médicale au cours de la dernière décennie, et des efforts intensifs lui ont permis de fournir des rapports très précis dans de nombreuses conditions. Cela comprend la démence d’Alzheimer, la rétinopathie diabétique et l’hémorragie cérébrale, entre autres.
En fait, son utilisation a permis au standard de diagnostic de la machine de dépasser celui des professionnels de la santé, comme le montre une étude où un modèle d’apprentissage en profondeur a pu détecter 11/14 maladies thoraciques avec une précision plus grande ou comparable par rapport aux radiologues humains. La tâche de base ici est de classer l’image de l’ordinateur.
Les chercheurs de la présente étude ont utilisé des réseaux de neurones convolutifs (CNN) pour étudier les radiographies thoraciques chez les patients COVID-19, pour les classer en images COVID-19 ou non COVID-19.
Apprentissage par transfert
Le problème fondamental de tous ces algorithmes d’apprentissage en profondeur est la nécessité pour de grands ensembles de données de former les classificateurs et d’évaluer leur fonction. Comme il n’y a qu’un nombre relativement faible de radiographies thoraciques COVID-19, les chercheurs ont choisi d’utiliser l’apprentissage par transfert pour entraîner les CNN profonds.
« L’idée de l’apprentissage par transfert réside dans le fait que, dans l’apprentissage automatique, nous pouvons utiliser les connaissances acquises à partir d’un problème A, puis les appliquer à un autre problème connexe B. »
Par exemple, utiliser la connaissance de la façon dont les chats sont détectés pour apprendre à détecter les chiens est un apprentissage par transfert, basé sur la présence de caractéristiques d’image de bas niveau similaires.
En utilisant cela, non seulement ils n’ont pas eu à lancer la formation dès le début, mais ils ont surmonté la rareté des données de formation en utilisant les connaissances tirées d’autres tâches. « Grâce à l’apprentissage par transfert, nous pouvons créer des modèles profonds précis sur de petits ensembles de données, en tirant parti des réseaux existants, déjà formés sur de grands ensembles de données. »
Prédire le diagnostic
Les chercheurs visaient à montrer l’efficacité des CNN de pointe formés de cette manière dans le diagnostic de la pneumonie COVID-19 à l’aide de radiographies thoraciques prises de face.
Les modèles seraient ensuite évalués pour leur capacité à distinguer la pneumonie COVID-19 de la pneumonie bactérienne. Ils ont utilisé de grandes bases de données de radiographies thoraciques montrant une pneumonie bactérienne et virale. Ils ont également utilisé les connaissances de réseaux déjà formés basés sur de très grands ensembles de données d’images, comme le ResNet-50.
Ils ont construit un CNN simple, qui a d’abord été formé pour classer la pneumonie bactérienne normale et la pneumonie virale. En utilisant la même conception, deux autres CNN ont été formés, l’un à partir de zéro et l’autre en utilisant l’apprentissage par transfert. Enfin, un réseau ResNet-50 a été formé en utilisant les connaissances génériques acquises sur ImageNet.
Ils ont évalué les résultats en fonction de quatre paramètres de performance, à savoir l’exactitude prédictive; le pourcentage de rappel correct parmi les images pertinentes totales; la proportion relative de prévisions correctes par rapport aux prévisions totales, et le score F1, la moyenne harmonique du rappel et du score.
Conclusion
Ils ont constaté que le troisième modèle, pré-formé sur ImageNet, avait ~ 98% de capacité de prédiction et de rappel correcte, en raison de la conception plus complexe et de la capacité d’apprentissage par transfert. Dans l’ensemble, le taux d’erreur du modèle d’apprentissage en profondeur présenté ici a chuté de moitié.
« Les résultats de cette étude indiquent que l’approche d’apprentissage par transfert surpasse les performances obtenues sans apprentissage par transfert, pour la tâche de classification COVID-19. »
*Avis important
medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique / les comportements liés à la santé ou être traités comme des informations établies.
