En exploitant la puissance de l’IA, les chercheurs exploitent le potentiel de l’IRM du corps entier pour prédire les risques pour la santé, ouvrant ainsi la voie à des stratégies de prévention plus intelligentes et personnalisées.
Étude : Analyse de la composition corporelle basée sur l’apprentissage profond à partir de l’imagerie par résonance magnétique du corps entier pour prédire la mortalité toutes causes confondues dans une vaste population occidentale. Crédit d'image : Flair de jus /Shutterstock
Dans une étude récente publiée dans la revue eBioMédecinedes chercheurs allemands et américains ont développé et validé un cadre d'apprentissage profond pour l'analyse automatisée de la composition corporelle volumétrique à partir de l'imagerie par résonance magnétique (IRM) du corps entier et ont évalué sa valeur pronostique pour prédire la mortalité toutes causes confondues dans une vaste population occidentale.
Sommaire
Arrière-plan
Les mesures de la composition corporelle, y compris les compartiments du tissu adipeux et les muscles squelettiques, ont montré de fortes associations avec les résultats cliniques et apparaissent comme d'importants biomarqueurs d'imagerie pour améliorer l'évaluation personnalisée des risques. Cependant, leur quantification de routine à partir de modalités d’imagerie comme l’IRM reste limitée dans les flux de travail cliniques en raison de contraintes de temps et de ressources. Grâce à sa capacité supérieure à différencier les types de tissus et à évaluer leur répartition, l’IRM offre un potentiel important pour une analyse complète de la composition corporelle.
L’étude souligne que la quantification manuelle demande beaucoup de main d’œuvre, alors que des approches automatisées pourraient surmonter ces obstacles. Des approches volumétriques entièrement automatisées et basées sur l’intelligence artificielle (IA) pourraient surmonter les limitations actuelles, permettant ainsi des évaluations plus précises et évolutives. Ces résultats soulignent l’importance de développer des outils standardisés pour garantir l’applicabilité clinique auprès de diverses populations.
À propos de l'étude
L'étude a utilisé les données de deux vastes études de cohorte basées sur la population : la UK Biobank (UKBB), impliquant des participants âgés de 45 à 84 ans, et la cohorte nationale allemande (NAKO), avec des participants âgés de 40 à 75 ans. Les deux études ont collecté des données cliniques complètes et utilisé un protocole d'IRM détaillé, comprenant des séquences Dixon d'examen volumétrique interpolé tridimensionnel en apnée (3D VIBE) axial du corps entier pondéré en T1, utilisées pour l'analyse de la composition corporelle. Des approbations éthiques ont été obtenues et le consentement éclairé de tous les participants a été obtenu.
L'objectif principal était de développer un cadre d'apprentissage en profondeur pour la quantification automatisée des mesures volumétriques de la composition corporelle, telles que le tissu adipeux sous-cutané (SAT), le tissu adipeux viscéral (VAT), le muscle squelettique (SM), la fraction adipeuse du muscle squelettique (SMFF) et tissu adipeux intramusculaire (IMAT), par IRM corps entier. Les performances du cadre ont été évaluées dans l'UKBB, en se concentrant sur sa valeur pronostique pour la mortalité toutes causes confondues. L'étude visait également à évaluer les corrélations entre les mesures volumétriques du corps entier et l'estimation traditionnelle de la composition corporelle en une seule coupe au niveau de la vertèbre L3.
Le modèle d'apprentissage profond a utilisé les entrées d'imagerie séquentielle Dixon pour générer des masques de segmentation, permettant de quantifier la composition corporelle volumétrique et en coupe unique. Des radiologues expérimentés ont effectué des annotations manuelles pour la formation des modèles et les ont validées de manière indépendante. Les analyses statistiques comprenaient une modélisation de la survie et des évaluations de corrélation, utilisant des ensembles de données harmonisés pour minimiser les différences de distribution.
Résultats de l'étude
La cohorte UKBB comprenait 36 317 participants (18 777 femmes et 17 540 hommes) avec un âge moyen de 65,1 ± 7,8 ans et un indice de masse corporelle (IMC) moyen de 25,9 ± 4,3 kg/m². L'analyse de la composition corporelle a révélé un volume plus élevé de tissu adipeux sous-cutané (VSAT), de fraction adipeuse des muscles squelettiques (VSMFF) et de tissu adipeux intramusculaire (VIMAT) chez les femmes, tandis que les hommes présentaient plus de tissu adipeux viscéral (VVAT) et de volume musculaire squelettique (VSM) (tous p < 0,0001). Des tendances similaires ont été observées parmi les 23 725 participants à l'étude NAKO, dont l'âge moyen était de 53,9 ± 8,3 ans avec un IMC moyen de 27 ± 4,7 kg/m², ainsi que dans les mesures de composition corporelle en coupe unique au niveau de la vertèbre L3 pour les deux cohortes. .
Au cours d'une période de suivi médiane de 4,77 ans dans l'UKBB, 634 décès (1,7 %) ont été enregistrés. Les courbes de survie de Kaplan-Meier ont démontré que les participants du 10e percentile le plus bas du VSM et du 10e percentile le plus élevé du VSMFF et du VIMAT présentaient des taux de mortalité significativement plus élevés (log-rank p < 0,0001). Les analyses de régression de Cox ajustées ont révélé qu'un VSM plus faible (aHR : 0,86, IC à 95 % (0,81–0,91), p < 0,0001) était associé à un risque de mortalité réduit, tandis qu'un VSMFF plus élevé (aHR : 1,07, IC à 95 % (1,04–1,11), p < 0,0001) et VIMAT (aHR : 1,28, IC à 95 % (1,05-1,35), p < 0,0001) étaient liés à un risque accru. En revanche, les mesures volumétriques VSAT et VVAT n’ont montré aucune association substantielle avec la mortalité après ajustement pour tenir compte des facteurs de risque traditionnels.
L'analyse des mesures de surface en coupe unique à L3 a donné des résultats cohérents avec les mesures volumétriques, avec une surface musculaire squelettique inférieure (ASM) et une fraction de graisse plus élevée (ASMFF) et du tissu adipeux intramusculaire (AIMAT) associés à la mortalité. Cependant, après ajustement complet, ces associations se sont affaiblies pour l'ASM et l'AIMAT. Les analyses de reclassification ont démontré que les mesures volumétriques étaient plus efficaces pour identifier les individus à haut risque que les mesures à coupe unique, comme en témoigne l'amélioration nette significative de la reclassification pour les muscles squelettiques (NRI = 0,053, IC à 95 % (0,016-0,089)).
L'analyse de corrélation entre les mesures volumétriques du corps entier et celles d'une seule coupe a montré une forte concordance à des niveaux vertébraux spécifiques, tels que L3 pour la TVA (R = 0,892) et SM (R = 0,944). Ces résultats ont été reproduits dans la cohorte NAKO, bien que la corrélation varie considérablement selon l'IMC et la strate sexuelle. Le cadre d'apprentissage en profondeur a démontré une grande précision, avec des coefficients de dés supérieurs à 0,86 et un fort accord entre les résultats de segmentation manuelle et automatisée (r > 0,97).
Conclusions
Cette étude a développé un cadre d'apprentissage profond automatisé pour l'analyse de la composition corporelle basée sur l'IRM du corps entier et a évalué sa valeur pronostique pour la prévision de la mortalité chez plus de 30 000 individus. Les mesures volumétriques, notamment SM, SMFF et IMAT, étaient des prédicteurs indépendants de mortalité, surpassant les approches traditionnelles à coupe unique, qui montraient des corrélations variables influencées par le sexe et l'IMC. Malgré ces atouts, l’étude a reconnu des limites, telles que les données démographiques de la cohorte représentant principalement les populations occidentales et la durée de suivi limitée, qui pourraient avoir un impact sur la généralisabilité.
Les recherches futures devraient explorer l’intégration clinique de l’analyse volumétrique basée sur l’IRM dans diverses populations et protocoles d’imagerie.
