Un modèle d'IA pour aider le radiologue au diagnostic précoce du diabète de type 2 par TDM

Le diabète de type 2 est accompagné de symptômes d’apparition lente, ce qui rend primordial le diagnostic précoce de la maladie. Certains cas de pré diabète peuvent en effet durer jusqu'à 8 ans.

La TDM abdominale comme exploration de choix pour le diagnostic précoce de diabète de typa 2

Dans ce contexte, la tomodensitométrie abdominale (TDMA) peut être un outil de choix pour diagnostiquer le diabète de type 2. Elle peut fournir une quantité importante d'informations sur le pancréas, qui est susceptible d’emmagasiner un volume de graisse significatif, de même que la graisse viscérale en général. Cependant, peu de recherches ont été réalisées pour étudier le foie, les muscles et les vaisseaux sanguins autour du pancréas, remarque le co-auteur principal d’une étude publiée dans la Revue Radiology, le Pr Ronald M. Summers, radiologue au National Institutes of Health Clinical Center à Bethesda (Maryland – USA).

« L'analyse des caractéristiques pancréatiques et extra-pancréatiques est une nouvelle approche et n'a pas été démontrée dans des travaux antérieurs à notre connaissance », précise le premier auteur de l’étude, le Dr Hima Tallam. L'analyse manuelle d'images TDM pancréatiques sans contraste à faible dose par un radiologue ou un spécialiste qualifié est un processus long et difficile. Pour relever ces défis cliniques, les auteurs pensent qu’il est nécessaire d'améliorer l'analyse automatisée des images du pancréas.

Un modèle de deep learning pour assister le radiologue

Pour cette étude rétrospective, le Dr Summers et ses collègues ont utilisé un ensemble de données de patients qui avaient subi des examens de routine dépistage du cancer colorectal par TDMA à l'hôpital et aux cliniques de l'Université du Wisconsin. Sur les 8 992 patients qui avaient été dépistés entre 2004 et 2016, 572 avaient reçu un diagnostic de diabète de type 2 et 1 880 de dysglycémie. Il n'y avait pas de chevauchement entre le diabète et le diagnostic de dysglycémie.

Les chercheurs ont élaboré un modèle de deep learning en utilisant un total de 471 images obtenues à partir de divers ensembles de données, notamment le Medical Data Decathlon, le Cancer Imaging Archive et le Beyond Cranial Vault Challenge. Les 471 images ont ensuite été divisées en trois sous-ensembles : 424 pour la formation, 8 pour la validation et 39 pour les ensembles de test. Les chercheurs ont également inclus des données provenant de quatre cycles d'apprentissage actif.

Plusieurs paramètres susceptibles d’être mesurés par le modèle de deep learning

Le modèle de deep learning a affiché d'excellents résultats, ne démontrant pratiquement aucune différence par rapport à l'analyse manuelle. En plus des diverses caractéristiques pancréatiques, le modèle a également analysé la graisse viscérale, la densité et les volumes des muscles et organes abdominaux environnants. Les résultats ont montré que les patients diabétiques avaient une densité de pancréas plus faible et des quantités de graisse viscérale plus élevées que les patients non diabétiques.

« Nous avons découvert que le diabète était associé à la quantité de graisse dans le pancréas et dans l'abdomen des patients, poursuit le Dr Summers. Plus il y avait de graisse à ces deux endroits, plus les patients étaient susceptibles de souffrir de diabète pendant une longue période. » Pour prédire le diabète de type 2 dans le modèle final les chercheurs ont utilisé le pourcentage de graisse intrapancréatique, la dimension fractale du pancréas, l'atténuation moyenne du scanner hépatique ou l'IMC notamment. Le modèle de deep learning a utilisé ces prédicteurs pour discerner avec précision les patients avec et sans diabète.

« Cette étude est une étape vers une utilisation plus large des méthodes automatisées pour relever les défis cliniques, concluent les auteurs. Cela peut également éclairer les travaux futurs sur la raison des changements pancréatiques qui se produisent chez les patients diabétiques »