La tuberculose est une maladie contagieuse due à la bactérie Mycobacterium tuberculosis. Elle affecte les poumons, mais peut toucher également d’autres parties du corps comme le cerveau ou les reins. Pour la dépister, l’OMS recommande la radiographie thoracique. Cependant, les pays à faibles revenus où cette maladie est la plus fréquente manquent d’experts pour l’interpréter, des chercheurs ont développé un système de deep learning pour détecter la tuberculose pulmonaire active sur les radiographies thoraciques et ont comparé ses performances à celles des radiologues. L’étude « Deep Learning Detection of Active Pulmonary Tuberculosis at Chest Radiography Matched the Clinical Performance of Radiologists » a été publiée dans la revue Radiology.
Radiology est une revue publiée par la Radiological Society of North America, la RSNA, une association de radiologues, de radio-oncologues et de physiciens médicaux.
La tuberculose tue chaque année plus d’un million de personnes dans le monde et la pandémie de COVID-19 a exacerbé le problème. Une personne sur quatre dans le monde est infectée par le bacille Mycobacterium tuberculosis, et 5 % à 10 % d’entre elles personnes développeront une tuberculose active (TB) au cours de leur vie. Près de 90 % des infections actives surviennent dans environ 30 pays, dont la majeure partie dispose de ressources limitées pour lutter contre ce problème de santé publique.
L’utilisation de l’IA pour détecter les maladies pulmonaires
Les études basées sur le deep learning pour dépister les radiographies thoraciques, suivies d’un test de confirmation de l’amplification des acides nucléiques (NAAT) ont démontré une meilleure rentabilité que la seule utilisation des NAAT.
L’OMS a évalué 3 systèmes de détection assistée par ordinateur et a déterminé que leur précision et leurs performances diagnostiques étaient semblables à celles des lecteurs humains. Devant la pénurie de lecteurs expérimentés, l’OMS recommande désormais la détection assistée par ordinateur pour le dépistage et le triage chez les personnes âgées de 15 ans ou plus.
L’étude
Pour cette étude rétrospective, les chercheurs ont développé un système de deep learning (DLS) pour interpréter les radiographies thoraciques pour les caractéristiques d’imagerie de la tuberculose pulmonaire active. Ils l’ont testé sur des ensembles de données de Chine, d’Inde, des États-Unis, de Zambie et d’Afrique du Sud et évalué selon deux conditions :
- Lorsqu’il avait un seul point de fonctionnement prédéfini sur tous les ensembles de données;
- Lorsqu’il était personnalisé en fonction des performances du radiologue dans chaque région.
Étant donné que les performances diagnostiques peuvent être influencées par la prévalence de la maladie, ils ont comparé le DLS à deux groupes différents de radiologues : l’un basé dans une région où la tuberculose est endémique (Inde) et l’autre dans une région non endémique (États-Unis).
Ensuite, ils ont estimé les économies réalisées en utilisant ce DLS comme solution de triage pour les NAAT dans les contextes de dépistage. Cette étude visait à modéliser des scénarios de déploiement réels et évaluer la généralisabilité dans quatre domaines où le taux de tuberculose est élevé et les ressources limitées.
Le DSL a été formé sur 165 754 images provenant de 22 284 personnes. Pour la 1ère série de tests, les données provenaient de la Chine, d’Inde, des États-Unis et de Zambie, l’ensemble de tests comportait 1236 images, dont 212 identifiées comme positives pour la tuberculose sur la base de tests microbiologiques ou NAAT. Ceux-ci ont été notés binairement par 9 radiologues de l’Inde et cinq des États-Unis.
Les résultats de l’étude
Le DSL a atteint une sensibilité supérieure à celle de l’analyse des 9 radiologues indiens, à 88% contre 75%, avec une spécificité non inférieure à 79% contre 84%. Les performances du DLS se sont par ailleurs révélées excellentes dans deux ensembles de données cas-témoins couramment utilisés en Chine et aux États-Unis.
La seconde série de tests était composée de sujets issus d’une population d’aurifères en Afrique du Sud, un groupe où l’on constate une prévalence élevée de la tuberculose, mais également des problèmes pulmonaires comme la silicose, l’emphysème et la maladie pulmonaire obstructive chronique. Le DLS a donné des résultats comparables à ceux des radiologues, tout comme pour les patients atteints du VIH, mais dans cette série, les performances se sont révélées beaucoup plus faibles.
Sahar Kazemzadeh, co-auteur de l’étude, ingénieur logiciel chez Google Health, déclare:
« Ce qui est particulièrement prometteur dans cette étude, c’est que nous avons examiné une gamme d’ensembles de données différents qui reflétaient l’étendue de la présentation de la tuberculose, différents équipements et différents flux de travail cliniques ».
Le système d’IA a atteint les seuils fixés par l’OMS en 2014 pour tout test de dépistage de la tuberculose dans la plupart des ensembles de données, selon Bram van Ginneken, professeur d’analyse d’images médicales au Radboud University Medical Center de Nimègue, aux Pays-Bas, co-auteur de l’étude. Il pourrait être très utile aux pays à faibles revenus car la modélisation pourrait faire baisser les coûts de dépistage de 40 à 80%.
Pour Sahar Kazemzadeh :
« Combler la pénurie d’experts, c’est là où l’IA entre en jeu,. Nous pouvons apprendre aux ordinateurs à reconnaître la tuberculose à partir des rayons X afin que, dans ces environnements à faibles ressources, la radiographie d’un patient puisse être interprétée en quelques secondes. »
Sources de l’article: « Deep Learning Detection of Active Pulmonary Tuberculosis at Chest Radiography Matched the Clinical Performance of Radiologists »
Radiology, DOI:10.1148/radiol.212213
Auteurs:
Sahar Kazemzadeh, Jin Yu, Shahar Jamshy, Rory Pilgrim, BEng, Zaid Nabulsi, Christina Chen, Neeral Beladia, Charles Lau,Scott Mayer McKinney, Thad Hughes, Atilla P. Kiraly, Sreenivasa Raju Kalidindi, Monde Muyoyeta, Jameson Malemela, Ting Shih, Greg S. Corrado, Lily Peng, MD, Katherine Chou, Po-Hsuan Cameron Chen, Yun Liu, Krish Eswaran, Daniel Tse, Shravya Shetty, Shruthi Prabhakara.
Google Health, 1600 Amphitheatre Pkwy, Mountain View, CA 94043 (S.K., J.Y., S.J., R.P., Z.N., C.C., N.B., S.M.M., T.H., A.P.K., G.S.C., L.P., K.C., P.H.C., Y.L., K.E., D.T., S.S., S.P.); Clinique avancée, Deerfield, Ill (C.L.); Apollo Radiology International, Hyderabad, Inde (S.R.K.); Département tuberculose, Centre d’Infec-tious Disease Research in Zambia, Lusaka, Zambie (M.M.); Sibanye Stillwater, Weltevreden Park, Roodepoort, Afrique du Sud (J.M.); et Clickmedix, Gaithersburg, Md (T.S.).
