Différentiation de la pneumonie à COVID-19: des performances améliorées à l'aide d'un modèle d'IA
JEUDI 30 AVRIL 2020
Soyez le premier à réagirUne étude publiée dans la Revue Radiology montre une amélioration des performances des radiologues lorsqu’ils sont aidés par l’IA, pour différentier la pneumonie à COVID-19 par rapport aux autres étiologies. Ce modèle sera bientôt intégré dans un workflow d’examens de routine pour l’évaluer.
L’identification différentielle de la pneumonie due au COVID-19 par rapport aux autres étiologies est désormais assez précisément établie.
Utiliser l’IA pour automatiser la différentiation de la pneumonie à COVID-19
Afin d’automatiser cette différentiation, des chercheurs chinois et américains ont réalisé une étude, publiée dans la Revue Radiology, afin d’établir et évaluer un système d'intelligence artificielle (IA) dédié pour la tomodensitométrie (TDM) thoracique tout en comparant les performances du radiologue sans et avec l'aide de l'IA.
521 patients COVID+ à la RT-PCR ainsi qu’à la TDM thoracique ont été identifiés rétrospectivement dans dix hôpitaux de janvier 2020 à avril 2020. 665 patients avec une pneumonie non COVID-19 et des preuves définitives de pneumonie à la TDM thoracique ont été également sélectionnés rétrospectivement parmi trois hôpitaux entre 2017 et 2019. Pour classer les examens COVID+ par rapport à d'autres pneumonies pour chaque patient, des coupes TDM anormales ont été entrées dans l'architecture d’un réseau de deep learning après segmentation pulmonaire, puis dans un réseau neuronal à deux couches, entièrement connecté, pour regrouper les coupes.
La cohorte finale comprenait ainsi 1 186 patients, pour 132 583 coupes de TDM. Elle a été divisée en différents groupes : formation, validation et test. Des tests indépendants ont par ailleurs été effectués en évaluant les performances du modèle dans les hôpitaux et les coupes ont été examinées à l'aveugle par six radiologues sans puis avec l'aide de l'IA.
L’IA montre son utilité dans l’amélioration de la performance des radiologues dans ce cadre
Au final, ce modèle a atteint une précision d’interprétation de 96%, une sensibilité de 95% et une spécificité de 96%. Comparé à aux résultats des radiologues le modèle a objectivé une précision d’interprétation (96% contre 85%), une sensibilité (95% contre 79%) et une spécificité (96% contre 88%) plus élevées. Enfin, aidés par les probabilités des modèles, les radiologues ont atteint une précision de moyenne plus élevée (90% vs 85%), la sensibilité (88% vs 79%) et spécificité (91% vs 88%).
Ces résultats montrent clairement que, dans ce contexte, l'assistance à l'IA a amélioré les performances des radiologues pour distinguer la pneumonie au COVID-19 de la pneumonie non-COVID-19 sur la TDM thoracique. Les chercheurs ont par ailleurs annoncé une nouvelle étude pour évaluer l’intégration de ce modèle dans un workflow d’examens de routine.
Bruno Benque avec RSNA