Un outil de deep learning pour une segmentation volumétrique de la rate
JEUDI 20 JUILLET 2023
Soyez le premier à réagirDans un article publié dans l'American Journal of Roentgenology (AJR), l'utilisation d'un outil automatisé de deep learning, ainsi que de seuils volumétriques basés sur le poids, pourrait permettre une évaluation à grande échelle de la splénomégalie par tomodensitométrie. Il s’agit du plus grand échantillon de patients à subir une segmentation volumétrique de la rate.
La splénomégalie peut avoir des origines infectieuses, hématologiques, néoplasiques, congestives, inflammatoires et infiltrantes diverses. Étant donné que la splénomégalie peut être une découverte précoce d'un processus pathologique sous-jacent, un diagnostic précis de la splénomégalie peut être essentiel.
Évaluer un outil de deep learning de dépistage de la splénomégalie sur une grande cohorte
Historiquement, la taille globale de la rate a été estimée par des mesures linéaires. Les radiologues rapportent généralement la plus grande longueur splénique dans jusqu'à trois plans orthogonaux, avec des seuils de splénomégalie qui peuvent varier selon la morphologie et l'orientation de la rate. L'indice splénique, représentant le produit de la longueur, de la profondeur et de la largeur splénique mesurés par repères anatomiques spécifiques, a été décrit comme un substitut de volume splénique, bien qu'il soit également un marqueur inexact de la pathologie splénique.
En tomodensitométrie (TDM), l'utilité de l'analyse volumétrique de la rate à l'aide d'un outil clinique automatisé a fait ses preuves. De la même manière, des outils d'intelligence artificielle (IA) de deep learning permettent la segmentation de la rate, afin de déterminer les volumes spléniques. Une étude publiée dans l’American Journal of Roentgenology (AJR) se propose d'appliquer un tel outil d'IA dans une grande population de dépistage pour établir des seuils basés sur le volume pour la splénomégalie.
Le plus grand échantillon de patients à subir une segmentation volumétrique de la rate
Notant que, historiquement, les mesures spléniques linéaires standard utilisées comme substitut du volume splénique ont donné des performances sous-optimales dans la détection de la splénomégalie basée sur le volume, le Dr Perry J. Pickhardt, du département de radiologie de l'École de médecine et de santé publique de l'Université du Wisconsin et auteur principal de l’étude, indique que « les seuils volumétriques basés sur le poids ont indiqué la présence d'une splénomégalie chez la plupart des patients qui ont subi une TDM pré-transplantation hépatique ».
Cette étude a inclus un échantillon de dépistage de 8 901 patients (4 235 hommes, 4 666 femmes ; âge moyen : 56 ans) qui ont fait l’objet d’une coloscopie virtuelle par TDM (n = 7 736) ou une TDM de donneur de rein (n = 1 165) d'avril 2004 à Janvier 2017. Une cohorte secondaire de 104 patients (62 hommes, 42 femmes ; âge moyen : 56 ans) atteints d'une maladie hépatique en phase terminale a subi une TDM pré-transplantation hépatique de janvier 2011 à mai 2013. L’algorithme de deep learning utilisé dans cette étude pour la segmentation de la rate, qui a été développé, formé et testé au National Institutes of Health Clinical Center, a été utilisé, a été soumis à deux radiologues indépendants pour les aider à déterminer les volumes spléniques.
En conclusion, les chercheurs ont dérivé un seuil volumétrique simple basé sur le poids pour déterminer la présence de splénomégalie à l'aide de cet outil automatisé basé sur l'IA pour déterminer le volume splénique à partir d'examens TDM. Cet outil d'IA pourrait être appliqué pour une évaluation plus robuste de la splénomégalie par rapport aux mesures linéaires, ainsi que pour le dépistage opportuniste à grande échelle de la splénomégalie. « À notre connaissance, cette étude représente le plus grand échantillon rapporté de patients à subir une segmentation volumétrique de la rate » conclut le Dr Pickhardt.
Bruno Benque avec AJR