Dans une étude récente publiée dans La santé numérique dans The Lancetun groupe de chercheurs a estimé la capacité vitale forcée (CVF) (air total expiré après la respiration la plus profonde) et le volume expiratoire forcé en 1 seconde (VEMS)1) (Air expiré dans la première seconde d'une respiration forcée) à partir de radiographies thoraciques à l'aide d'un modèle basé sur l'apprentissage profond.
Étude: Un modèle basé sur l'apprentissage profond pour estimer la fonction pulmonaire à partir de radiographies thoraciques : étude de développement et de validation d'un modèle multi-institutionnel au JaponCrédit photo : sopa phetcharat/Shutterstock.com
Sommaire
Arrière-plan
Test de la fonction pulmonaire, mesurant principalement la CVF et le VEMS1 avec la spirométrie, elle est essentielle pour diagnostiquer et gérer les troubles respiratoires comme la bronchopneumopathie chronique obstructive (BPCO) (une maladie pulmonaire chronique provoquant une obstruction du flux d'air) et l'asthme.
Depuis son introduction clinique en 1846, la spirométrie a été cruciale, mais elle peut être difficile pour les personnes âgées et les jeunes enfants, et son utilisation a été limitée pendant la pandémie de maladie à coronavirus 2019 (COVID-19).
Les radiographies thoraciques, largement utilisées et corrélées à la fonction pulmonaire, offrent une approche alternative. Des recherches supplémentaires sont nécessaires pour améliorer les méthodes d'estimation de la fonction pulmonaire dans divers contextes cliniques et populations de patients.
À propos de l'étude
L'étude rétrospective a recueilli des radiographies thoraciques et des données de spirométrie auprès de cinq institutions japonaises entre le 1er juillet 2003 et le 31 décembre 2021. L'étude, approuvée par le comité d'éthique de l'Université métropolitaine d'Osaka, a renoncé au consentement éclairé car les données ont été obtenues au cours d'une pratique clinique de routine.
Les données de spirométrie ont été étiquetées avec FVC et FEV1 Les valeurs et les radiographies thoraciques prises dans les 14 jours suivant la spirométrie ont été utilisées. Les données ont été divisées en ensembles de données de formation, de validation et de test interne provenant de trois institutions (AC) et en ensembles de données de test externes provenant des deux autres institutions (D et E).
Le modèle d'intelligence artificielle (IA), utilisant Convolutional Neural Network Next (ConvNeXt) et deux classificateurs, a été formé avec diverses fonctions de perte et résolutions d'image, et le modèle le plus performant a été sélectionné à l'aide du framework Python Torch (PyTorch).
Les performances ont été évaluées en calculant le coefficient de corrélation de Pearson (r), le coefficient de corrélation intraclasse (ICC), l'erreur quadratique moyenne (RMSE), l'erreur quadratique moyenne (MSE) et l'erreur absolue moyenne (MAE) entre les valeurs de spirométrie prédites et réelles.
Les cartes de saillance générées à l'aide des explications additives de SHapley (SHAP) ont mis en évidence des régions importantes pour les prédictions, qui ont été examinées par des radiologues indépendants.
Les analyses statistiques ont été réalisées à l'aide de SciPy en Python, avec des intervalles de confiance de 99 % estimés par bootstrapping. L'étude s'est concentrée sur les performances du modèle d'IA plutôt que sur les comparaisons de valeurs p.
Résultats de l'étude
Au total, 141 734 paires de radiographies et de spirométrie appariées provenant de 81 902 patients ont été incluses dans l'analyse. Les ensembles de données de formation, de validation et de test interne comprenaient 134 307 radiographies provenant de 75 768 patients, avec une répartition égale de 50 % de femmes et 50 % d'hommes (âge moyen 56 ans, écart type 18).
L'ensemble de données de formation comprenait 108 366 radiographies de 61 009 patients (50 % de femmes, âge moyen 54 ans, écart-type 17), tandis que l'ensemble de données de validation comprenait 13 180 radiographies de 7 381 patients (50 % de femmes, âge moyen 54 ans, écart-type 17). L'ensemble de données de test interne comprenait 12 761 radiographies de 7 378 patients (50 % de femmes, âge moyen 54 ans, écart-type 17).
Les ensembles de données de test externes comprenaient 2 137 radiographies de 1 861 patients de l'établissement D (40 % de femmes, âge moyen de 65 ans, écart-type de 17) et 5 290 radiographies de 4 273 patients de l'établissement E (46 % de femmes, âge moyen de 63 ans, écart-type de 17).
Les données sur la race et l'ethnicité n'étaient pas disponibles. Le modèle le plus performant utilisait une fonction de perte RMSE de 0,39 et une taille d'image de 1024 pixels à 182 époques.
Pour la détermination de la CVF à l'aide d'ensembles de données de test externes, l'établissement D avait une valeur r de 0,91 (IC à 99 % 0,90-0,92) et l'établissement E avait une valeur r de 0,90 (IC à 99 % 0,89-0,91). Les valeurs ICC étaient respectivement de 0,91 et 0,89, les valeurs MSE étaient de 0,17 L², les valeurs RMSE étaient de 0,41 L et les valeurs MAE étaient de 0,31 L.
Pour le FEV1 Français détermination, l'institution D avait une valeur r de 0,91 (IC à 99 % 0,90–0,92) et l'institution E avait également une valeur r de 0,91. Les valeurs ICC étaient de 0,90 pour les deux institutions, les valeurs MSE étaient de 0,13 L² et 0,11 L², les valeurs RMSE étaient de 0,37 L et 0,33 L, et les valeurs MAE étaient de 0,28 L et 0,25 L, respectivement.
Les patients atteints de BPCO avaient des valeurs r de 0,81 pour la CVF et de 0,83 pour le VEMS1 dans les établissements D et E. Les patients asthmatiques avaient des valeurs r de 0,89 pour la CVF et de 0,90 pour le VEMS1.
L'aire sous la courbe caractéristique de fonctionnement du récepteur pour classer la CVF inférieure à 80 % de la valeur prédite était de 0,88 pour l'établissement D et de 0,85 pour l'établissement E ; pour le VEMS1 moins de 80 % prédit, il était de 0,87 pour les deux institutions ; et pour le VEMS1/Ratio CVF inférieur à 70%, il était de 0,83 pour l'établissement D et de 0,87 pour l'établissement E.
Les cartes de saillance moyennes ont montré que le modèle d'IA se concentrait principalement sur les régions pulmonaires, accordant un poids plus faible aux champs pulmonaires périphériques et un poids plus élevé aux champs pulmonaires centraux.
Les radiologues ont identifié des caractéristiques associées à une diminution du VEMS1telles que l'hyperinflation pulmonaire et l'épaississement de la paroi bronchique, ainsi que des caractéristiques liées à une diminution de la CVF, notamment une perte de volume pulmonaire et des ombres réticulaires à la périphérie.
Conclusions
En résumé, ce modèle, qui prédit la fonction pulmonaire sans participation active du patient, a démontré de fortes corrélations (valeurs r de 0,91) similaires à celles des études de tomodensitométrie thoracique (TDM).
Les radiologues ont identifié l'hyperinflation pulmonaire et l'épaississement de la paroi bronchique comme des caractéristiques associées à une diminution du VEMS1tandis que la perte de volume pulmonaire et les ombres réticulaires étaient liées à une diminution de la CVF.
Le modèle peut compléter la spirométrie, en particulier pour les patients incapables d’effectuer une spirométrie, et améliorer la précision du diagnostic en fournissant des estimations de la fonction pulmonaire à partir de radiographies thoraciques de routine.
