Une IA de composition corporelle éprouvée à partir de nombreux différents scanners
MERCREDI 22 FéVRIER 2023
Soyez le premier à réagirSelon un article publié dans l'American Journal of Roentgenology (AJR), des chercheurs ont évalué la pertinence d’outils d’IA de composition corporelle à partir d’images de scanner. Les résultats sont satisfaisants, certaines erreurs étant liées à des facteurs techniques ou à des anomalies anatomiques flagrantes.
Le développement d'outils d'IA en radiologie s'est concentré, ces dernières années, principalement sur l'analyse des examens d'imagerie dans le but de détecter automatiquement un résultat particulier ou de mesurer automatiquement certains aspects physiologiques pour réduire les erreurs et augmenter l'efficacité du radiologue.
Faut-il faire confiance aux outils d’IA de composition corporelle sur toutes les machines de TDM ?
Il a déjà été démontré que des paramètres de composition corporelle identifiés en tomodensitométrie (TDM) sont en corrélation avec l’état de Santé du patient, notamment dans les cas d’ostéoporose et de fractures de fragilité, de syndrome métabolique, ainsi que dans les événements cardiovasculaires et la mortalité globale. Étant donné que plus de 70 millions d'examens TDM sont effectués chaque année aux États-Unis, ces outils ont un potentiel énorme pour être utilisés pour le dépistage opportuniste de la santé sur les TDM abdominales réalisées pour presque toutes les indications.
Mais un problème subsiste pour la généralisation des outils de deep learning, leurs performances sur différents types d'équipements, ou à partir de protocoles d’acquisition qui diffèrent de ceux sur lesquels ils ont été initialement développés et validés prêtant à discussion. Un obstacle supplémentaire à l'adoption des outils d'IA est l'opacité, réelle ou perçue, concernant le fonctionnement de ces algorithmes. Cette problématique a fait l’objet d’une étude américaine publiée dans l’American Journal of Roentgenology, au cours de laquelle les chercheurs ont évalué l'adéquation technique d'un ensemble d'outils automatisés de composition corporelle par TDM abdominale sur un échantillon hétérogène d'examens externes effectués en dehors du système hospitalier des auteurs.
Une étude pour évaluer des examens réalisés sur différentes modalités et utilisant divers protocoles
Ce travail a inclus 8 949 patients (âge moyen, 55,5 ans ; 4 256 hommes, 4 693 femmes) qui ont fait l’objet d’une TDM abdominale - réalisée dans différentes institutions sur différents scanners de différents fabricants - puis transférée au PACS de l’University of Wisconsin School of Medicine & Public Health de Madison (WI – USA), à des fins cliniques. En déployant trois outils d'IA automatisés indépendants pour évaluer la composition corporelle via l'atténuation osseuse, la quantité et l'atténuation musculaires, ainsi que les quantités de graisse viscérale et sous-cutanée, une série de contrôles par examen a été réalisée.
L’étude a montré que les trois outils d'IA entièrement automatisés pour mesurer la composition corporelle (os vertébral, musculature de la paroi corporelle et graisse abdominale viscérale et sous-cutanée) avaient des taux d'adéquation technique de 97,8 % à 99,1 % sur l'échantillon de 11 699 TDM abdominales réalisée dans 777 institutions externes différentes, à l'aide de 82 modèles de scanners différents de 6 fabricants.
Des résultats très satisfaisants malgré quelques erreurs provoquées par des artéfacts ou des anomalies anatomiques flagrantes
« Les outils automatisés d’IA de composition corporelle ont montré des taux d'adéquation technique élevés dans un échantillon hétérogène d'examens TDM externes, prouvant la possibilité de généraliser ces outils et leur potentiel d'utilisation à grande échelle », annonce le chercheur principal, le Dr B. Dustin Pooler, de l’University of Wisconsin School of Medicine & Public Health de Madison (WI – USA).
Les quelques erreurs enregistrées concernaient du matériel métallique entraînant un artefact, une scoliose sévère, un phénomène de disque sous vide, une vertébroplastie et un artefact de troncature. Ces erreurs ainsi expliquées ont permis aux chercheurs de renforcer leur confiance dans ces outils d'IA et d’accroître leur acceptation par les radiologues.
Bruno Benque avec AJR