Un modèle d'apprentissage en profondeur utilise des radiographies pulmonaires pour détecter les maladies cardiaques – Physics World

Un modèle d'apprentissage en profondeur utilise des radiographies pulmonaires pour détecter les maladies cardiaques – Physics World

Horodatage: 20 juillet 2023 5:33

Diagnostiquer une maladie cardiaque à partir d'une radiographie pulmonaire
Diagnostiquer une maladie cardiaque À gauche : radiographie thoracique de l'ensemble de données de test. À droite : carte de saillance superposée montrant les motifs de l'évaluation de la fonction cardiaque par le modèle d'apprentissage en profondeur. (Avec l'aimable autorisation de Daiju Ueda, OMU)

L'échocardiographie - une échographie du cœur - est la modalité d'imagerie la plus fréquemment utilisée pour évaluer la fonction et les maladies cardiaques. La technique, cependant, nécessite des compétences spécialisées qui sont souvent rares. Une autre option pourrait être d'utiliser les radiographies pulmonaires, l'un des examens médicaux les plus courants et les plus largement disponibles, principalement utilisé pour le diagnostic et la gestion des maladies pulmonaires. Mais alors que le cœur est visible sur les radiographies thoraciques, la relation entre les radiographies thoraciques et la santé cardiaque est mal comprise.

Visant à combler cette lacune, une équipe de recherche dirigée par Daiju Ueda de Université métropolitaine d'Osaka a développé un modèle d'apprentissage en profondeur qui utilise l'intelligence artificielle pour détecter les maladies valvulaires et classer la fonction cardiaque à partir de radiographies thoraciques avec une précision sans précédent. Les chercheurs publient leurs résultats dans The Lancet Santé numérique.

Les modèles d'apprentissage en profondeur qui sont entraînés et testés sur un seul ensemble de données peuvent être sujets à un surajustement, dans lequel le modèle final ne fonctionne bien que pour les images de l'ensemble de données d'entraînement. Pour éviter cela, Ueda et ses collègues ont développé leur modèle en utilisant les données de quatre institutions différentes, avec un total de 22,551 16,946 radiographies thoraciques plus des échocardiogrammes associés collectés auprès de XNUMX XNUMX patients.

Les chercheurs ont utilisé 17,293 1947 radiographies provenant de trois institutions pour entraîner le modèle d’apprentissage en profondeur, ainsi que 3311 2617 radiographies provenant des mêmes sites comme ensembles de données de test internes. Pour les tests externes, ils ont utilisé XNUMX XNUMX radiographies de XNUMX XNUMX patients dans un établissement distinct.

Après avoir étiqueté les radiographies pulmonaires en utilisant les rapports d'échocardiographie comme vérité terrain, les chercheurs ont formé leur modèle pour apprendre les caractéristiques reliant les deux ensembles de données. Ils ont examiné six types de cardiopathie valvulaire – régurgitation mitrale, sténose aortique, régurgitation aortique, sténose mitrale, régurgitation tricuspide et régurgitation pulmonaire – en classant la gravité de chaque maladie comme aucune, légère, modérée ou grave. Ils ont également classé trois mesures de la fonction cardiaque : la fraction d'éjection ventriculaire gauche, la vitesse de régurgitation tricuspide et la dilatation de la veine cave inférieure.

Pour évaluer les performances diagnostiques de leur modèle d'apprentissage en profondeur, les chercheurs ont calculé l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) pour neuf classificateurs primaires - un seuil de non-léger contre modéré-sévère pour chacune des six cardiopathies valvulaires, plus des seuils de 40 % pour la fraction d'éjection ventriculaire gauche, 2.8 m/s pour la vitesse de régurgitation tricuspide et 21 mm pour la dilatation de la veine cave intérieure - pour les ensembles de données de test internes et externes.

L'équipe a découvert que le modèle pouvait classer avec précision les fonctions cardiaques et les maladies cardiaques, des informations généralement obtenues à partir de l'échocardiographie, en utilisant les informations des radiographies thoraciques. Les ASC moyennes globales pour les classificateurs primaires étaient de 0.89, 0.90 et 0.92 pour les ensembles de données de test internes et de 0.87 pour l'ensemble de données de test externe (des valeurs plus proches de 1 indiquent une meilleure classification).

En se concentrant sur l'ensemble de données de test externe, le modèle pourrait catégoriser avec précision les six types de cardiopathie valvulaire, avec des ASC allant de 0.83 à 0.92. L'ASC pour classer la fraction d'éjection ventriculaire gauche était de 0.92, tandis que l'ASC pour la vitesse de régurgitation tricuspide et la dilatation de la veine cave intérieure était de 0.85.

"Au meilleur de notre connaissance, cette étude est la première à créer et à valider un modèle de classification basé sur l'apprentissage profond pour les fonctions cardiaques et les cardiopathies valvulaires à l'aide de radiographies thoraciques de plusieurs institutions", écrivent les chercheurs.

Ils soulignent que le modèle présente plusieurs avantages par rapport à l'évaluation des maladies cardiaques basée sur l'échocardiographie. Les radiographies thoraciques sont faciles et rapides à enregistrer et le modèle peut être appliqué rapidement avec de faibles exigences de calcul. Après sa mise en œuvre initiale, le modèle pouvait être utilisé sans aucune compétence spécialisée et à tout moment. De plus, il devrait être possible d'utiliser les radiographies thoraciques existantes pour fournir des informations sur la fonction cardiaque si nécessaire, sans avoir besoin de tests supplémentaires.

"Il nous a fallu beaucoup de temps pour arriver à ces résultats, mais je pense qu'il s'agit d'une recherche importante", déclare Ueda dans un communiqué de presse. "En plus d'améliorer l'efficacité des diagnostics des médecins, le système pourrait également être utilisé dans les zones où il n'y a pas de spécialistes, dans les urgences nocturnes et pour les patients qui ont des difficultés à subir une échocardiographie."

"À l'avenir, nous espérons évaluer l'applicabilité réelle de notre modèle dans divers contextes cliniques", a déclaré la co-auteur Shannon Walston. Monde de la physique. « Il est crucial pour nous de comprendre comment notre modèle basé sur l'IA peut être intégré de manière transparente dans les flux de travail cliniques et comment il peut contribuer à l'amélioration des soins aux patients. »

Horodatage:

Plus de Monde de la physique