Les modèles d’IA améliorent la précision du diagnostic des maladies coronariennes

Les modèles d’IA améliorent la précision du diagnostic des maladies coronariennes

Plusieurs découvertes récentes montrent que l'exactitude du diagnostic de la maladie coronarienne et la prévision du risque pour le patient sont améliorées à l'aide de modèles d'intelligence artificielle (IA) développés par des scientifiques de la Division d'intelligence artificielle en médecine de Cedars-Sinai.

Ces avancées, dirigées par Piotr Slomka, PhD,Directeur de l'innovation en imagerie chez Cedars-Sinai et chercheur scientifique à la Division de l'intelligence artificielle en médecine et au Smidt Heart Institute, facilite la détection et le diagnostic de l'une des maladies cardiaques les plus courantes et les plus mortelles.

La maladie coronarienne affecte les artères qui irriguent le muscle cardiaque en sang. Si elle n'est pas traitée, elle peut entraîner une crise cardiaque ou d'autres complications telles que des arythmies cardiaques ou une insuffisance cardiaque.

La maladie, qui touche environ 16,3 millions d'Américains âgés de 20 ans et plus, est généralement diagnostiquée à l'aide de la tomodensitométrie par émission de photons uniques (SPECT) et de la tomodensitométrie (CT). Cependant, les images produites par numérisation ne sont pas toujours faciles à lire.

"Nous continuons de montrer que l'IA peut améliorer la qualité des images et révéler plus d'informations, conduisant à des diagnostics de maladies plus précis", a déclaré Slomka, également professeur de médecine et de cardiologie et auteur principal de trois études récemment publiées utilisant l'IA pour améliorer l'imagerie cardiaque.

Utiliser l'IA pour améliorer l'imagerie cardiaque

La première étude, publiée dans le Journal of Nuclear Medicine, utilise la technologie de l'IA pour l'imagerie cardiaque, contribuant ainsi à améliorer la précision diagnostique de l'imagerie SPECT pour la maladie coronarienne grâce à des corrections d'image avancées.

La correction de l'atténuation est importante dans l'imagerie SPECT, car elle contribue à réduire les artefacts dans les images cardiaques et les rend plus faciles à lire et plus précises. Cependant, cela nécessite un scanner supplémentaire et des appareils hybrides SPECT/CT coûteux, qui sont essentiellement deux scanners en un.

Bien qu'il ait été démontré que la correction de l'atténuation par tomodensitométrie améliore le diagnostic de la maladie coronarienne, elle n'est actuellement effectuée que sur une minorité d'examens en raison du temps d'examen supplémentaire, des radiations et de la disponibilité limitée de cette technologie coûteuse.

Pour surmonter ces obstacles, Slomka et son équipe ont développé un modèle d'apprentissage profond appelé DeepAC pour générer des images SPECT corrigées sans avoir recours à des scanners hybrides coûteux. Ces images sont générées par des techniques d’IA similaires à celles utilisées pour générer des vidéos « deep fake » et peuvent simuler des images de haute qualité obtenues à partir de scanners hybrides SPECT/CT.

L’équipe a comparé l’exactitude diagnostique de la maladie coronarienne avec des images SPECT non corrigées utilisées dans la plupart des endroits aujourd’hui, des images hybrides avancées SPECT/CT et de nouvelles images corrigées par l’IA dans des données invisibles provenant de centres qui n’ont jamais été utilisés dans la formation DeepAC.

Ils ont découvert que l’IA créait des images d’une qualité presque identique et permettait une précision de diagnostic similaire à celle obtenue avec des scanners plus coûteux.

Ce modèle d’IA était capable de générer des images DeepAC en fractions de seconde sur un logiciel informatique standard et pouvait être facilement implémenté dans les flux de travail cliniques en tant qu’étape de prétraitement automatisée.

Piotr Slomka, PhD,Directeur de l'innovation en imagerie, Cedars-Sinai

Prédiction des événements cardiaques indésirables majeurs

Dans la deuxième étude, publiée dans le Journal of American College of Cardiology : Cardiovascular Imaging, l’équipe a montré que l’IA d’apprentissage profond permet de prédire les événements cardiaques indésirables majeurs tels que la mort et la crise cardiaque directement à partir des images SPECT.

Les enquêteurs ont formé le modèle d’IA à l’aide d’une vaste base de données multinationale comprenant cinq emplacements différents avec plus de 20 000 analyses de patients. Il contenait des images illustrant la perfusion cardiaque et les mouvements de chaque patient.

Le modèle d'IA fournit des explications visuelles aux médecins et met en évidence les images avec les régions qui contribuent à un risque élevé d'événements indésirables.

L’équipe a ensuite testé le modèle d’IA sur deux sites différents avec plus de 9 000 analyses. Ils ont constaté que le modèle d’apprentissage profond prédisait le risque pour le patient avec plus de précision que les logiciels actuellement utilisés en clinique.

"Dans la première étude, nous avons pu montrer que d'importantes corrections d'image peuvent être effectuées grâce à l'IA sans scanner coûteux", explique Slomka. "Deuxièmement, nous montrons que les images existantes peuvent être mieux utilisées - en utilisant des images pour prédire le risque de crise cardiaque ou de décès du patient et en mettant en évidence les caractéristiques cardiaques qui indiquent ce risque - pour mieux informer les cliniciens sur les maladies coronariennes."

"Ces résultats représentent une preuve de principe sur la manière dont l'IA peut améliorer les diagnostics cliniques", a déclaré Sumeet Chugh, MD, directeur de la Division de l'intelligence artificielle en médecine. "Les améliorations apportées à l'imagerie SPECT grâce à l'IA ont le potentiel d'améliorer la précision du diagnostic des maladies coronariennes tout en étant réalisées beaucoup plus rapidement et à moindre coût que les normes actuelles."

Réduire les biais dans les modèles d’IA

La troisième étude, publiée dans le European Journal of Nuclear Medicine and Molecular Imaging, décrit comment un système d'IA peut être formé pour fonctionner correctement dans toutes les populations concernées, et pas seulement dans la population pour laquelle le système a été formé.

Certains systèmes d’IA sont formés sur des populations de patients à haut risque, ce qui peut amener les systèmes à surestimer la probabilité de maladie. Pour garantir que le modèle d'IA fonctionne avec précision pour tous les patients et réduit les biais, Slomka et son équipe ont formé le système d'IA avec des variations simulées de patients. Ce processus, appelé augmentation des données, permet de mieux refléter la composition des patients devant subir les tests d’imagerie.

Ils ont constaté que les modèles formés avec un mélange équilibré de patients prédisaient avec plus de précision la probabilité de maladie coronarienne chez les femmes et les patients à faible risque, conduisant potentiellement à des tests moins invasifs et à un diagnostic plus précis chez les femmes.

Les modèles ont également abouti à moins de faux positifs, ce qui suggère que le système pourrait être en mesure de réduire le nombre de tests que le patient subit pour exclure la maladie.

"Les résultats suggèrent que l'amélioration des données de formation est essentielle pour garantir que les prévisions de l'IA reflètent mieux la population à laquelle elles seront appliquées à l'avenir", a déclaré Slomka.

Les chercheurs évaluent actuellement ces nouvelles approches d’IA au Cedars-Sinai et explorent comment elles pourraient être intégrées dans des logiciels cliniques et utilisées dans les soins standards aux patients.

La recherche a été financée en partie par le National Heart, Lung, and Blood Institute.

Source:

Cèdres du Sinaï

Référence:

Shanbhag, AD et coll. (2022) La correction de l’atténuation basée sur l’apprentissage profond améliore la précision diagnostique du SPECT cardiaque. Journal de médecine nucléaire. est ce que je.org/10.2967/jnumed.122.264429.

.