Des radiologues s'intéressent au deep learning pour diagnostiquer les calcifications coronaires

Plusieurs radiologues et chercheurs américains se sont penchés sur le deep learning afin d'identifier les calcifications dans les artères coronaires. À l'aide d'une radiographie, il serait possible - en exploitant les capacités des réseaux de neurones à convolution profonde - d'évaluer cette possibilité. Le modèle pourrait ainsi réduire les risques cardiovasculaires en analysant les radiographies thoraciques.

Une étude pour quantifier les calcifications coronaires sur les radiographies thoraciques

Lors d'une pratique clinique de routine, si un médecin souhaite analyser la cage thoracique d'un individu, il a deux possibilités : soit il se sert d'un tomodensitogramme, soit d'une radiographie thoracique. Cette seconde méthode est la plus utilisée, malgré le fait que les calcifications des artères coronaires (une accumulation anormale de dépôts de calcium au niveau de ce type d'artère) soient souvent négligées lors d'un contrôle médical de la cage thoracique. Afin d'aider les médecins dans leur analyse pour qu'ils puissent détecter cette possibilité, une équipe de radiologues affiliés au département de radiologie de la Johns Hopkins School of Medicine ont conçu un modèle de deep learning innovant. Leurs travaux ont fait l'objet d'un article rédigé par Peter I. Kamel, Paul H. Yi, Haris I. Sair et Cheng Ting Lin.

Les radiologues exploitent le deep learning et les réseaux de neurones à convolution profonde

Dans le cadre de leurs recherches, ces radiologues ont fait appel aux progrès récents du deep learning et des réseaux de neurones à convolution profonde (DCNN) pour quantifier les informations au-delà de ce que peut percevoir un être humain. Afin d'être entrainé, le modèle conçu par les chercheurs a exploité 1689 radiographies thoraciques de patients ayant bénéficié également d'un scanner cardiaque dans la même année, entre 2013 et 2018. Les DCNN ont été formés afin qu'ils puissent proposer une classification binaire sur trois aspects :

• Score de calcium total : nul ou non nul.
• Calcium dans chaque artère coronaire : présence ou absence.
• Score de calcium total : supérieur ou inférieur à un seuil variable.

Les résultats de cette classification des images de tests ont été comparés aux scores de risque de maladie cardiovasculaire artérioscléreuse établis sur dix ans dans chaque cohorte. En analysant l'aire sous la courbe ROC (receiver operating characteristic) ou AUC, les chercheurs ont pu définir les performances du classificateur.

Des tests encourageants pour continuer l'exploitation du deep learning en radiographie

Après analyse, la classification binaire entre les scores de calcium total nul et non nul a atteint une AUC de 0,73 sur les radiographies thoraciques de face, de 0,70 pour celles de profil et de 0,74 pour la classification binaire du score de calcium total supérieur ou inférieur à une valeur donnée. De plus, l'algorithme peut prédire un score de calcium non nul indépendamment des facteurs de risque cardiovasculaire traditionnels : une fonctionnalité démontrée à l'aide de la régression logistique multivariée. De ces résultats, les chercheurs ont affirmé que les DCNN entrainés sur des radiographies thoraciques avaient une précision modeste pour prédire la présence de calcium au niveau des artères coronaires en lien avec le risque cardiovasculaire. Leurs conclusions pourront être utilisées comme base pour de futures applications du deep learning en radiologie pour confirmer ces résultats ou pour les améliorer.