Identifier des occlusions carotidiennes à l'aide du deep learning à partir de l'angioscanner
JEUDI 01 OCTOBRE 2020
Soyez le premier à réagirSelon une étude publiée dans la Revue Radiology, un modèle sophistiqué de deep learning peut aider à détecter rapidement les occlusions vasculaires cérébrales, ce qui peut potentiellement accélérer le début d'un traitement vital. Le modèle d’algorithme utilisé travaille sur des images d’angioscanner
Les occlusions vasculaires cérébrales représentent une proportion importante des accidents vasculaires cérébraux (AVC) ischémiques. Et, comme cela a été maintes fois démontré, un diagnostic rapide est essentiel pour commencer la recanalisation grâce à un traitement endovasculaire adapté.
Des chercheurs entraînent un algorithme à la détection d’occlusions vasculaires sur des images d’angioscanner
« Les minutes comptent dans ce diagnostic sensible au temps, précise l'auteur principal d’une étude sur le sujet publiée dans la Revue Radiology, le Dr Matthew T. Stib, résident en radiologie à la Warren Alpert Medical School de l'Université Brown à Providence (Rhode Island, USA). Chaque minute gagnée sur le temps de recanalisation prolonge la vie sans incapacité du patient d’une semaine. » L’angioscanner (CTA) est aujourd’hui l'étalon-or pour détecter ces occlusions. Les radiologues sont très précis pour identifier les occlusions de gros vaisseaux sur le CTA, mais ils ne sont pas toujours disponibles, ce qui peut retarder le début des soins.
Le Dr Stib et ses collègues ont évalué l'utilisation du deep learning pour aider à détecter rapidement les occlusions des gros vaisseaux sur le CTA et ainsi réduire le temps de traitement. En étroite collaboration avec le département d’informatique de l’Université de Brown, les chercheurs ont développé un modèle d’algorithme, à partir d’un large échantillon d'examens CTA montrant des suspicions d'AVC ischémique aigu, et l’ont entraîné à la reconnaissance des occlusions des gros vaisseaux ainsi qu’à la différentiation avec les images normales ou évoquant d’autres pathologies. Le prétraitement des CTA a mis en valeur l’intensité maximale de l’image pour accentuer le système vasculaire injecté.
Une sensibilité de 100% pour les angioscanners multiphasiques
Lorsqu'ils ont testé ce modèle de deep learning sur des examens CTA multiphasiques de 62 patients, le modèle a détecté les 31 occlusions de gros vaisseaux avec une sensibilité de 100%, une amélioration statistiquement significative par rapport au taux de sensibilité de 77% du CTA monophasique. L'utilisation du CTA multiphasique a ainsi contribué à l'amélioration des performances. « Ces résultats sont assez prometteurs, poursuit le Dr Stib. Nous voulions vraiment optimiser la sensibilité du modèle afin d'être sûrs de prendre en charge chaque cas, car manquer un cas a des conséquences désastreuses. »
Cette étude est la première à utiliser le CTA multiphasique pour examiner les occlusions des carotides au niveau du cou, des cérébrales antérieures, mais également dans les zones postérieures. « Les occlusions de la circulation postérieure n'ont pas été beaucoup décrites dans la littérature dans le domaine de l’intelligence artificielle, remarque le Dr Stib. Elles sont moins courantes mais ont des conséquences cliniques assez profondes en cas de défaut d’identification. Il est important d'avoir un algorithme qui détecte toutes les catégories d'occlusions, à la fois antérieure et postérieure. »
Créer une alerte en cas de flux de travail important
La prochaine étape de la recherche consiste à valider ces résultats à l'aide de l'algorithme en temps réel et à voir s'il peut améliorer les résultats pour les patients. Si les résultats tiennent, alors le modèle de deep learning pourrait être un atout pour les centres médicaux ou les hôpitaux qui n'ont pas l'expertise pour lire les images CTA d'occlusion de gros vaisseaux. « Cet algorithme ne remplace pas la compétence des radiologues, conclut-il. Il essaie plutôt d’accélérer le délai du diagnostic. Donc, si le radiologue n'est pas là ou s'il y a un flux de travail important qui l’empêche de regarder les résultats de l'examen rapidement, il y aura une alerte indiquant qu'une occlusion peut être présente et que quelqu'un devrait regarder rapidement les images. C’est là que se situe la valeur ajoutée de ce type de modèle. »
L'équipe a travaillé sous la direction de l'auteur principal de l'étude, le Dr Ryan A. McTaggart, neuroradiologue spécialisé en neuroradiologie interventionnelle au Rhode Island Hospital de Providence, et partisan de la réduction du temps de traitement des occlusions de gros vaisseaux.
Bruno Benque avec RSNA