En tirant parti de l’intelligence artificielle et du plus grand ensemble de données d’IRM cérébrale pédiatrique à ce jour, les chercheurs ont développé une courbe de croissance pour suivre la masse musculaire des enfants en pleine croissance. La nouvelle étude menée par des enquêteurs du Brigham and Women’s Hospital, membre fondateur du système de santé Mass General Brigham, a révélé que leur outil basé sur l’intelligence artificielle est le premier à offrir un moyen standardisé, précis et fiable d’évaluer et de suivre les indicateurs de masse musculaire sur l’IRM de routine. Leurs résultats ont été publiés aujourd’hui dans Communications naturelles.
Les patients atteints d’un cancer pédiatrique souffrent souvent d’une faible masse musculaire, mais il n’existe aucun moyen standard de mesurer ce phénomène. Nous étions motivés à utiliser l’intelligence artificielle pour mesurer l’épaisseur du muscle temporal et créer une référence standardisée. Notre méthodologie a produit une courbe de croissance que nous pouvons utiliser pour suivre rapidement et en temps réel l’épaisseur musculaire des enfants en développement. Grâce à cela, nous pouvons déterminer si leur croissance se situe dans une fourchette idéale. »
Ben Kann, MD, auteur principal, radio-oncologue du département de radio-oncologie de Brigham et du programme d’intelligence artificielle en médecine de Mass General Brigham
La masse musculaire maigre chez l’homme a été associée à la qualité de vie, à l’état fonctionnel quotidien et constitue un indicateur de la santé globale et de la longévité. Les personnes atteintes de maladies telles que la sarcopénie ou une faible masse musculaire maigre risquent de mourir plus tôt ou d’être sujettes à diverses maladies pouvant affecter leur qualité de vie. Historiquement, il n’existe pas de moyen répandu ou pratique de suivre la masse musculaire maigre, l’indice de masse corporelle (IMC) servant de forme de mesure par défaut. La faiblesse de l’utilisation de l’IMC est que même si elle prend en compte le poids, elle n’indique pas quelle part de ce poids est constituée de muscle. Depuis des décennies, les scientifiques savent que l’épaisseur du muscle temporal à l’extérieur du crâne est associée à la masse musculaire maigre du corps. Cependant, l’épaisseur de ce muscle était difficile à mesurer en temps réel en clinique et il n’existait aucun moyen de diagnostiquer une épaisseur normale ou anormale. Les méthodes traditionnelles impliquent généralement des mesures manuelles, mais ces pratiques prennent du temps et ne sont pas standardisées.
Pour résoudre ce problème, l’équipe de recherche a appliqué son pipeline d’apprentissage profond aux examens IRM de patients atteints de tumeurs cérébrales pédiatriques traitées au Boston Children’s Hospital/Dana-Farber Cancer Institute en collaboration avec le service de radiologie pour enfants de Boston. L’équipe a analysé 23 852 IRM cérébrales normales et saines provenant d’individus âgés de 4 à 35 ans pour calculer l’épaisseur du muscle temporal (iTMT) et développer des courbes de croissance de référence normale pour le muscle. Les résultats de l’IRM ont été regroupés pour créer des courbes de croissance normale iTMT spécifiques au sexe avec des percentiles et des plages. Ils ont constaté que l’iTMT est précise pour un large éventail de patients et est comparable à l’analyse d’experts humains qualifiés.
« L’idée est que ces courbes de croissance peuvent être utilisées pour déterminer si la masse musculaire d’un patient se situe dans une plage normale, de la même manière que les courbes de croissance en taille et en poids sont généralement utilisées dans le cabinet du médecin », a déclaré Kann.
Essentiellement, la nouvelle méthode pourrait être utilisée pour évaluer les patients qui reçoivent déjà des IRM cérébrales de routine permettant de suivre des problèmes médicaux tels que les cancers pédiatriques et les maladies neurodégénératives. L’équipe espère que la capacité de surveiller le muscle temporal de manière instantanée et quantitative permettra aux cliniciens d’intervenir rapidement auprès des patients présentant des signes de perte musculaire, et ainsi de prévenir les effets négatifs de la sarcopénie et d’une faible masse musculaire.
L’une des limites réside dans la dépendance des algorithmes sur la qualité de numérisation et dans la manière dont une résolution sous-optimale peut affecter les mesures et l’interprétation des résultats. Un autre inconvénient est la quantité limitée d’ensembles de données IRM disponibles en dehors des États-Unis et de l’Europe qui peuvent donner une image globale précise.
« À l’avenir, nous voudrons peut-être explorer si l’utilité de l’iTMT sera suffisamment élevée pour justifier la réalisation régulière d’IRM pour un plus grand nombre de patients », a déclaré Kann. « Nous prévoyons d’améliorer les performances du modèle en l’entraînant sur des cas plus difficiles et plus variables. Les futures applications de l’iTMT pourraient nous permettre de suivre et de prédire la morbidité, ainsi que de révéler les états physiologiques critiques chez les patients nécessitant une intervention. »
