La composition corporelle par scanner de routine accessible grâce au deep learning
MERCREDI 21 SEPTEMBRE 2022
Soyez le premier à réagirSelon un article paru dans l'American Journal of Roentgenology (AJR), l'analyse de la composition corporelle entièrement automatisée et normalisée par scanner abdominal a un fort potentiel de prédiction du risque cardiovasculaire. Une étude américaine incluant près de 10 000 participants ayant fait l’objet d’une TDM abdominale de routine.
La composition corporelle (CCorp) peut être définie comme la proportion et la répartition du tissu adipeux, des muscles, de l'eau et des os du corps humain. L'IMC, un marqueur factuel de la santé et de risque de maladie, est utilisé pour définir des critères pour les patients en surpoids et obèses de leur taille et de leur poids. Cependant, la corrélation entre l'IMC et le tissu adipeux varie selon le sexe, l'âge, la race et l'origine ethnique.
La composition corporelle par une coupe de TDM en L3 prédit le risque cardiovasculaire
Bien qu'il existe de nombreuses méthodes pour évaluer la CCorp, la pratique courante actuelle consiste à analyser un seul Coupe de tomodensitométrie (TDM) au niveau du corps vertébral L3 pour identifier les limites tissulaires anatomiques et quantifier la zone musculaire squelettique (ZMS), la zone de graisse viscérale (ZGV) et la zone de graisse sous-cutanée (ZGSC) en fonction de la densité des images.
Il a été démontré que les zones de CCorp sont liées à la fois à des facteurs et à des événements cardiovasculaires. Alors que la ZGV et la ZGSC sont associées à la résistance à l'insuline et au remodelage ventriculaire gauche, la ZGV est associée à un syndrome métabolique, à un débit cardiaque plus faible et à une augmentation de la fréquence vasculaire systémique.
Le deep learning pour automatiser l’évaluation de la composition corporelle
Une étude américaine publiée dans l’American Journal of Roentgenology (AJR) avait pour but de déterminer si les mesures de CCorp obtenues à partir de la TDM de routine et l'utilisation d'un pipeline de deep learning entièrement automatisé pouvait prédire les événements cardiovasculaires ultérieurs, indépendamment du poids, de l'IMC et d'autres facteurs de risque cardiovasculaire.
« La zone de graisse viscérale issue d'une analyse entièrement automatisée et normalisée des examens de TDM abdominale prédit un infarctus du myocarde ou un accident vasculaire cérébral ultérieur chez les patients noirs et blancs, indépendamment des mesures de poids traditionnelles, et doit être considérée comme un complément à l'IMC dans les modèles de risque", a écrit le premier auteur de cette étude, le Pr Kirti. Magudia, du département de radiologie de la Duke University School of Medicine de Durham (Caroline du Nord – USA).
L'étude rétrospective du Pr Magudia et de ses collègues a porté sur 9 752 patients externes (5 519 femmes, 4 233 hommes ; 890 Noirs autodéclarés, 8 862 Blancs autodéclarés ; âge moyen, 53,2 ans) qui ont fait l’objet d’une TDM abdominale de routine de janvier à décembre 2012, sans diagnostic cardiovasculaire ou oncologique majeur dans les 3 mois suivant l'examen. Une analyse de la CCorp par deep learning entièrement automatisée a été effectuée sur la coupe au niveau vertébral L3 pour déterminer la ZMS, la SGV et la ZGSC. L'infarctus du myocarde ou l'accident vasculaire cérébral ultérieur a été identifiée dans les Dossiers patients Informatisés (DPI).
Un bon moye d’exploiter la valeur prédictive des examens d’imagerie de routine
Au final, après ajustement pour l'âge, le sexe et la race, la zone de graisse viscérale dérivée de la TDM de routine était associée à un risque d'infarctus du myocarde (HR 1,31 [1,03–1,67], p = 0,04 pour l'effet global) et d'AVC (HR 1,46 [1,07 –2,00], p=0,04 pour l'effet global) dans des modèles multivariés chez des patients noirs et blancs, sans distinction de poids ni d'IMC. La zone des muscles squelettiques et la zone de graisse sous-cutanée n’ont, quant à elles pas été associées à ce type de risque.
Les chercheurs expliquent que leur vaste étude identifie un outil pour l'analyse de la composition corporelle et des valeurs de référence spécifiques à l'âge, au sexe et à la race, avec valeur pronostique pour la pratique clinique. « Nous prévoyons que l'analyse de la composition corporelle entièrement automatisée utilisant le deep learning pourrait être largement adoptée pour exploiter la valeur prédictive des examens d’imagerie de routine », ont conclu les auteurs de cet article.
Bruno Benque