Un algorithme différentie la pneumonie COVID-19 des autres pneumonies sur la radiographie du thorax
LUNDI 28 SEPTEMBRE 2020
Soyez le premier à réagirDans une nouvelle étude publiée dans la revue Radiology, un algorithme de deep learning est capable de différencier avec une sensibilité et une spécificité élevées une pneumonie COVID-19 d’une autre non-COVID-19 à partir de radiographies pulmonaires. Cet algorithme obtient de meilleures performances que les radiologues expérimentés.
L'interprétation des radiographies pulmonaires avec et sans symptômes de pneumonie est une pratique clinique courante pour les radiologues. Cependant, il est beaucoup plus difficile de différencier les radiographies présentant les symptômes de la pneumonie COVID-19 de celles contenant des images de pneumonie d’une autre étiologie.
Un ensemble de 20 réseaux neuronaux profonds pour une classification binaire des radiographies thoraciques
Une étude américaine, réalisée à l’Université du Wisconsin et publiée dans la Revue Radiology, a réuni un total de 2 060 patients (5 806 radiographies pulmonaires ; âge moyen 62 ± 16, 1 059 hommes) atteints de pneumonie COVID-19 et 3 148 patients (5 300 radiographies pulmonaires ; âge moyen 64 ± 18 ans, 1 578 hommes) atteints de pneumonie non COVID- 19. L'algorithme a été en mesure de différencier la pneumonie liée au COVID-19 des autres types de pneumonie avec des performances supérieures à celles des radiologues thoraciques expérimentés.
Elles ont été analysées par l’algorithme CV19-Net, un ensemble de 20 réseaux neuronaux profonds formés individuellement. Chaque réseau neuronal profond se compose de quatre modules d'architecture DenseNet, avec un classificateur binaire pour différencier la pneumonie COVID-19 des autres types de pneumonie. Une approche d'apprentissage par transfert en trois étapes a été utilisée pour former les 20 réseaux neuronaux. Une fois que le CV19-Net a été formé, une radiographie de thorax d'entrée a été introduite dans le CV19-Net pour produire 20 scores de probabilité individuels, puis un score final a été généré en effectuant une moyenne quadratique. Ce score de probabilité final a ensuite été comparé à une valeur seuil de prise de décision choisie pour classer les images de radiographie d'entrée comme pneumonie COVID-19 ou non COVID-19.
L’algorithme obtient de meilleures performances que les trois radiologues expérimentés
Pour comparer les performances du CV19-Net développé, trois radiologues thoraciques expérimentés ont effectué une classification binaire (COVID-19 positif ou COVID-19 négatif). Ces trois lecteurs étaient aveugles à toute information clinique et ont lu tous les examens indépendamment entre le 1er juin 2020 et le 15 juin 2020. Ils ont dicté chaque compte rendu comme une pneumonie COVID-19 positive ou COVID-19 négative à l'aide d'un PACS dans des conditions de lecture standard. Pour comparer les performances entre CV19-Net et les trois lecteurs sur le même jeu de données de test, le seuil de CV19-Net a été ajusté pour correspondre à la spécificité correspondante du radiologue, puis la sensibilité diagnostique a été comparée entre chaque radiologue et CV19-Net.
Pour évaluer les performances diagnostiques du CV19-Net formé, l'aire sous la courbe des caractéristiques de fonctionnement du récepteur (AUC), la sensibilité et la spécificité ont été calculées sur l'ensemble de la cohorte de test des 5869 radiographies des 2193 patients. Pour l'ensemble des examens, le CV19-Net a atteint une AUC de 0,92 (intervalle de confiance à 95% : 0,) correspondant à une sensibilité de 88% (IC à 95% : 87%, 89%) et une spécificité de 79% (IC 95% : 77%, 80%) en utilisant un seuil de fonctionnement à haute sensibilité, ou une sensibilité de 78% (IC 95% : 77%, 79%) et une spécificité de 89% (IC 95% : 88%, 90 %) en utilisant un seuil de fonctionnement à haute spécificité.
Ces résultats sont en faveur d’une différenciation de la pneumonie liée au COVID-19 des autres types de pneumonie par CV19-Net, avec des performances dépassant celles des radiologues thoraciques expérimentés.
Bruno Benque avec RSNA