Dans un article récent publié dans Réseau JAMA ouvertles chercheurs ont évalué la capacité d’une application pour smartphone basée sur un modèle d’apprentissage profond à identifier la progression de la scoliose idiopathique de l’adolescent (AIS) et à classer sa gravité et son type de courbe.
Étude: Modèle d’apprentissage en profondeur pour classer et surveiller la scoliose idiopathique chez les adolescents à l’aide d’une seule photo de smartphone. Crédit d’image : Yok_onepiece/Shutterstock.com
Sommaire
Arrière-plan
L’AIS est une malformation vertébrale tridimensionnelle (3D) qui affecte les garçons et les filles au début de l’âge adulte, nuisant souvent à la qualité de vie (QdV). L’AIS réduit la mobilité en déclenchant des maux de dos et induit une déficience cardio-pulmonaire, ce qui rend son diagnostic précoce crucial.
De plus, si rien n’est fait, une détérioration progressive de l’AIS se produit chez les deux tiers des patients au cours de la puberté, ce qui nécessite une surveillance étroite.
Le diagnostic de l’AIS nécessite des examens physiques, notamment la hauteur des épaules, l’asymétrie de la cavité thoracique, la déformation des côtes et du sein et l’asymétrie de la taille.
Même lorsqu’il est effectué par des cliniciens expérimentés, le diagnostic de l’AIS basé sur l’apparence externe ne permet pas de détecter de manière fiable la gravité et le type spécifiques de la malformation, ce qui rend nécessaire des examens radiographiques.
Cependant, des examens radiographiques répétés augmentent l’exposition radiologique du patient et les risques potentiels pour la santé. Pourtant, il est nécessaire de guider la prise en charge de l’AIS, par exemple en corrigeant les malformations vertébrales modérées et en effectuant une chirurgie de la colonne vertébrale en cas de malformation sévère.
Il existe un besoin en outils d’évaluation extra-hospitalière pour le diagnostic de l’AIS, qui soient accessibles et pratiques et réduisent les risques associés aux examens radiographiques répétés.
À propos de l’étude
Dans la présente étude, les chercheurs ont développé une plateforme virtuelle d’évaluation de la colonne vertébrale appelée AlignProCARE alimenté par un modèle de réseau neuronal profond validé (ScolioNets).
Ils ont évalué s’il avait une sensibilité similaire ou améliorée pour l’évaluation de la gravité et de la progression de l’AIS par rapport à deux chirurgiens de la colonne vertébrale expérimentés qui ont annoté les vérités terrain (GT), y compris la gravité de l’AIS, le type de courbe et la progression, sur la base du rapport de radiographie réel des participants.
Plus loin, AlignProCARE utilisé l’angle de Cobb sur les radiographies coronales pour quantifier la gravité de l’AIS, où un angle de Cobb de 20° ou moins, de 20° à 40° et supérieur à 40° indiquait une AIS nulle ou légère, une AIS modérée et une AIS sévère.
Ces informations constituent également la base des recommandations des cliniciens en matière de planification du traitement. De même, il a classé les participants à l’étude par type de courbe entre ceux ayant une courbe unique et une courbe mixte.
Au cours de l’examen de suivi, l’incrément de l’angle de Cobb a aidé les chercheurs à déterminer si la courbe était progressive ou non progressive. Une courbe progressive, définie par un incrément d’amplitude de plus de 5° au cours d’un suivi de six mois, est rapide et nécessite une surveillance étroite.
Résultats
L’ensemble de données de formation du modèle de AlignProCARE comprenait 1 780 patients d’un âge moyen de 14,3 ans, dont 1 295 femmes. De même, son ensemble de données de tests prospectifs comptait 378 patients, dont 279 femmes. En outre, l’équipe a effectué 376 évaluations de suivi.
Le modèle différenciait les types de courbes thoraciques, thoraco-lombaires ou lombaires et mixtes, avec des aires sous la courbe ROC (AUC) de 0,777, 0,760 et 0,860. Dans les suivis, il distinguait les participants avec ou sans progression de la courbe avec une AUC de 0,757.
Basée sur des observations visuelles de photos dos nus d’individus atteints d’AIS, l’application a montré une sensibilité et des valeurs prédictives négatives (VPN) plus élevées dans la reconnaissance des sévérités et des types de courbes que les chirurgiens de la colonne vertébrale seniors et juniors. Sa sensibilité pour recommander un suivi était de 84,88 % et sa VAN de 89,22 %.
Dans sa tentative de différencier les patients ne nécessitant aucune intervention clinique uniquement sur la base de photographies du dos nu, le modèle a démontré des performances supérieures à celles des deux chirurgiens.
Remarquablement, le modèle a surpassé les spécialistes en distinguant la progression de la maladie sur la base de deux photos de dos nu. De plus, le modèle a potentiellement réduit la nécessité d’un dépistage radiographique pour les individus présentant une scoliose légère ou inexistante (angle de Cobb <20°).
Les algorithmes traditionnels ne pouvaient pas extraire de manière fiable les caractéristiques distinctives des images de la colonne vertébrale. Dans ce modèle, les chercheurs ont d’abord amélioré la classification de la gravité, ce qui les a aidés à améliorer leurs performances.
En outre, ils ont exploré la catégorisation basée sur l’image d’une seule colonne vertébrale des types de courbes AIS et des progressions de la maladie.
De cette manière, ils ont évalué si cette plateforme pouvait fournir une évaluation à distance de la scoliose chez les personnes présentant un risque élevé de conséquences graves, en particulier lorsque les chirurgiens de la colonne vertébrale expérimentés ne sont pas facilement accessibles.
Conclusions
Pour résumer, les chercheurs ont découvert que l’application AlignProCARE, alimentée par ScolioNets, permettait une analyse entièrement automatisée, rapide, mobile et impartiale de l’AIS.
Il permettait une surveillance continue de l’AIS à faible coût et avec une exposition minimale aux rayonnements.
Dans l’ensemble, il semble être un outil prometteur pour aider les cliniciens à suivre la progression de l’AIS et à inciter à des interventions précoces pour améliorer les résultats de la maladie.
