Angioscanner : un algorithme de deep learning pour aider à identifier les anévrismes cérébraux
LUNDI 09 NOVEMBRE 2020
Soyez le premier à réagirSelon une étude publiée dans la revue Radiology, un outil de deep learning peut aider les médecins à identifier des anévrismes cérébraux sur l'angioscanner. Si sa sensibilité est bonne, des limites sont observées notamment dans les régions péri-osseuses.
La détection et la caractérisation des anévrismes cérébraux sont essentielles, car le risque de rupture dépend de la taille, de la forme et de l'emplacement de ceux-ci. L'angioscanner est généralement le premier choix pour évaluer les anévrismes cérébraux. L'examen est très précis, mais les anévrismes cérébraux peuvent passer inaperçus de prime abord, en raison de leur petite taille et de la complexité du réseau vasculaire cérébral.
Un outil de deep learning pour identifier les anévrismes cérébraux à l’angioscanner
« Dans notre travail quotidien, nous sommes toujours confrontés à des cas dans lesquels certaines lésions importantes ont été manquées par l'œil humain, remarque l'auteur principal d’une étude chinoise publiée dans la Revue Radiology, le Dr Xi Long, du département de radiologie de l'hôpital de l'Union du Tongji Medical College à Wuhan (Chine). Les anévrismes cérébraux font partie de ces petites lésions qui peuvent être négligées lors de l'évaluation de routine des images radiologiques. »
Le deep learning offre un énorme potentiel en tant qu'outil complémentaire pour une interprétation plus précise des anévrismes cérébraux. Dans cette étude, le Dr Long et ses collègues ont développé un algorithme entièrement automatisé et hautement sensible pour la détection des anévrismes cérébraux sur les images d'angioscanner. Ils ont utilisé des angiogrammes de plus de 500 patients pour former le système de deep learning, puis ils l'ont testé sur 534 autres angioscanners incluant 649 anévrismes.
Une sensibilité significative pour une possible utilisation clinique
L'algorithme a détecté 633 des 649 anévrismes cérébraux pour une sensibilité de 97,5%. Il a également trouvé huit nouveaux anévrismes qui ont été négligés lors de l'interprétation initiale. L’analyse statistique a révélé que l’aide au diagnostic était la plus prononcée chez les radiologues moins expérimentés. Les résultats suggèrent que l'algorithme utilisé est prometteur en tant qu'outil de soutien pour la détection des anévrismes cérébraux avec un potentiel pour être utilisé cliniquement comme deuxième avis lors de l'interprétation des images d'angioscanner cérébral. Pour le Dr Long, il présente un certain nombre d'avantages car l'ordinateur n'est pas influencé par des facteurs tels que le niveau d'expérience, le temps de travail et l'humeur qui affectent les performances humaines.
Des résultats à améliorer notamment dans les régions péri-osseuses
Il y trouve cependant certaines limites, comme l’omission de très petits anévrismes ou d’anévrismes situés à proximité de structures de densité osseuse ou quelques rares faux positifs. « En termes simples, le système de deep learning est destiné à aider les lecteurs humains, pas à les remplacer, conclut le Dr Long. À l'heure actuelle, le rôle de ce système d'apprentissage en profondeur, qui a été formé pour reconnaître les anévrismes, est de donner des suggestions au lecteur humain pour améliorer ses performances et réduire les erreurs. Le travail combiné du lecteur humain et du système informatique améliore la précision du diagnostic pour le bien du patient. »
Le système a besoin d'une validation supplémentaire sur des données plus hétérogènes, telles que des images de personnes dans différentes parties du monde, ce qui est essentiel pour évaluer son universalité et son applicabilité au travail clinique quotidien.
Bruno Benque avec RSNA