Identifier les calcifications coronaires sur la radio du thorax grâce au deep learning

Une équipe de radiologues américains a réalisé une étude, publiée dans la Revue Radiology : Cardiothoracic Imaging, qui se propose d’évaluer la capacité des réseaux de neurones convolutifs profonds (DCNN) à identifier la présence de calcium dans les artères coronaires (CAC) ainsi que le risque cardiovasculaire sur les radiographies thoraciques.

Utiliser le deep learning pour identifier et quantifier les calcifications coronaires sur la radio pulmonaire

Les radiographies thoraciques sont beaucoup plus fréquemment réalisées que les tomodensitogrammes, bien que les calcifications des artères coronaires soient souvent négligées dans la pratique clinique de routine. Les progrès récents de l'apprentissage automatique ont démontré la capacité des réseaux de neurones à convolution profonde (DCNN) à quantifier les informations au-delà de la perception humaine. Cela était peut-être le plus évident dans la recherche sur l'âge osseux en 2017 sur les radiographies pédiatriques, avec une précision de 4,2 mois. Aujourd’hui, les DCNN devraient être en mesure d'évaluer avec précision les calcifications des artères coronaires et de prédire le risque cardiovasculaire sur les radiographies thoraciques.

Comparaison des images test avec les scores de risque de maladie cardiovasculaire athéromateuse

Dans cette étude rétrospective, 1689 radiographies thoraciques de patients ayant bénéficié également d'un scanner cardiaque dans la même année, entre 2013 et 2018, ont été incluses (âge moyen, 56 ans ± 11). Les DCNN ont été formés pour la classification binaire de (a) scores de calcium total non nuls ou nuls, (b) présence ou absence de calcium dans chaque artère coronaire et (c) scores de calcium total supérieurs ou inférieurs à des seuils variables. Les résultats de la classification des images de test ont été comparés aux scores de risque de maladie cardiovasculaire athéroscléreuse établis sur 10 ans dans chaque cohorte. Les performances du classificateur ont été mesurées à l'aide de l'aire sous la courbe AUC avec des signaux d’alerte pour mettre en évidence les domaines de prise de décision.

Des résultats peu précis mais qui augurent de la capacité du deep learning à améliorer les bilans diagnostiques

La classification binaire entre les scores calciques nuls et non nuls a atteint une AUC de 0,73 sur les radiographies pulmonaires de face, avec des performances similaires sur les profils (AUC, 0,70 ; P = 0,56). Les performances étaient similaires pour la classification binaire du score total de calcium supérieur ou inférieur à 100 (AUC, 0,74). D’autre part, la régression logistique multivariée a démontré que l'algorithme pouvait prédire un score de calcium non nul indépendamment des facteurs de risque cardiovasculaire traditionnels. À partir de ces résultats, les chercheurs en ont conclu que les réseaux de neurones convolutifs entraînés sur des radiographies thoraciques avaient une précision modeste pour prédire la présence de calcium intracoronaire, en corrélation avec le risque cardiovasculaire.

Ils ont toutefois observé que leur étude pourra servir de proof of concept pour les réseaux de neurones convolutifs profonds pour prédire la CAC et le risque cardiovasculaire à partir des radiographies thoraciques, ce qui dépasse souvent l’acuité des radiologues. Ces résultats servent de pilote pour de futures applications en deep learning en radiologie pour confirmer les résultats déjà identifiés par les radiologues. Ils ont enfin démontré la capacité d'extraire des informations à partir d’images non taguées qui pourront améliorer la gestion clinique et le bilan diagnostique.