Nouvelles Du Monde

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 la précision du diagnostic de la maladie coronarienne et de la prédiction du risque du patient est améliorée à l’aide de modèles d’intelligence artificielle (IA) développés par des scientifiques de la Division de l’intelligence artificielle en médecine de Cedars-Sinai.

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

La maladie coronarienne affecte les artères qui alimentent le muscle cardiaque en sang. Si elle n’est pas traitée, elle peut entraîner une crise cardiaque ou d’autres complications telles que l’arythmie ou l’insuffisance cardiaque.

La maladie, qui touche environ 16,3 millions d’Américains âgés de 20 ans et plus, est couramment diagnostiquée à l’aide de la tomographie par émission de photons (SPECT) et de la tomodensitométrie (CT). Cependant, les images générées lors du scan ne sont pas toujours faciles à lire.

“Nous continuons à montrer que l’IA peut améliorer la qualité des images et révéler plus d’informations, ce qui permet des diagnostics de maladies plus précis”, a déclaré Slomka, qui est également professeur de médecine et de cardiologie et auteur principal de trois études qui ont été récemment publié impliquant l’amélioration de l’imagerie cardiaque par l’IA.

Utiliser l’IA pour améliorer l’imagerie cardiaque

La première étude, publiée en Le Journal de médecine nucléaireutilise la technologie d’IA pour l’imagerie cardiaque qui aide à améliorer la précision diagnostique de l’imagerie SPECT pour les maladies coronariennes grâce à des corrections d’image avancées.

Dans l’imagerie SPECT, il est important d’avoir une correction d’atténuation, ce qui aide à réduire les artefacts dans les images cardiaques, les rendant plus faciles à lire et plus précises. Cependant, cela nécessite un scanner CT supplémentaire et un équipement hybride SPECT/CT coûteux, qui est essentiellement deux scanners en un.

Lire aussi  Les systèmes d'administration d'insuline automatisés à faire soi-même posent des défis uniques aux professionnels de la santé

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

Pour aider à surmonter ces obstacles, Slomka et son équipe ont développé un modèle d’apprentissage en profondeur appelé DeepAC pour générer des images SPECT corrigées sans avoir besoin de scanners hybrides coûteux. Ces images sont générées par des techniques d’IA similaires à celles utilisées pour générer des vidéos “deep-fake” et sont capables de simuler des images de haute qualité obtenues par des scanners hybrides SPECT/CT.

L’équipe a comparé la précision du diagnostic de la maladie coronarienne à l’aide des images SPECT non corrigées ; qui sont utilisées dans la plupart des endroits aujourd’hui ; des images SPECT/CT hybrides avancées et de nouvelles images corrigées par l’IA dans des données inédites provenant de centres jamais utilisés dans DeepAC entraînement.

Ils ont découvert que l’IA créait des images qui étaient proches de la même qualité et permettaient une précision de diagnostic similaire à celles obtenues avec des scanners plus chers.

Ce modèle d’IA a pu générer des images DeepAC en une fraction de seconde sur un logiciel informatique standard et pourrait facilement être mis en œuvre dans les flux de travail cliniques en tant qu’étape de prétraitement automatique. »

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

Prédire les événements cardiaques indésirables majeurs

Dans la deuxième étude, publiée dans le Journal of American College of Cardiology : Imagerie cardiovasculairel’équipe a démontré que l’IA d’apprentissage en profondeur permet de prédire les événements cardiaques indésirables majeurs, tels que la mort et les crises cardiaques, directement à partir d’images SPECT.

Lire aussi  Pourquoi l'OTAN devrait prendre très au sérieux les menaces de Poutine contre la Lettonie

Les enquêteurs ont formé le modèle d’IA à l’aide d’une grande base de données multinationale qui comprenait cinq sites différents avec plus de 20 000 scans de patients. Il comprenait des images illustrant la perfusion cardiaque et le mouvement de chaque patient.

Le modèle d’IA intègre des explications visuelles pour les médecins, mettant en évidence les images avec les régions qui contribuent au risque élevé d’événements indésirables.

L’équipe a ensuite testé le modèle d’IA sur deux sites distincts avec plus de 9 000 scans. Ils ont découvert que le modèle d’apprentissage en profondeur prédisait le risque du patient avec plus de précision que les logiciels utilisés actuellement dans la clinique.

“Dans la première étude, nous avons pu démontrer que l’IA peut être utilisée pour effectuer d’importantes corrections d’image sans avoir besoin de scanners coûteux”, a déclaré Slomka. « Dans la seconde, nous montrons que les images existantes peuvent être mieux utilisées : prédire le risque de crise cardiaque ou de décès du patient à partir des images, et mettre en évidence les caractéristiques cardiaques qui indiquent ce risque, afin de mieux informer les cliniciens sur la maladie coronarienne. “

“Ces découvertes représentent une preuve de principe sur la façon dont l’IA peut augmenter les diagnostics cliniques”, a déclaré Sumeet Chugh, MD, directeur de la Division de l’intelligence artificielle en médecine. “Les améliorations de l’imagerie SPECT alimentées par l’IA ont le potentiel d’améliorer la précision du diagnostic des maladies coronariennes, tout en le faisant 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 Journal européen de médecine nucléaire et d’imagerie moléculairedécrit comment former un système d’IA pour qu’il fonctionne bien dans toutes les populations applicables ; pas seulement la population sur laquelle le système a été formé.

Lire aussi  Les personnes qui dorment peu sont plus susceptibles de souffrir de règles irrégulières et abondantes

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

Ils ont découvert que les modèles formés avec un mélange équilibré de patients prédisaient plus précisément la probabilité de maladie coronarienne chez les femmes et les patients à faible risque, ce qui peut potentiellement conduire à des tests moins invasifs et à un diagnostic plus précis chez les femmes.

Les modèles ont également conduit à une baisse des faux positifs, ce qui suggère que le système peut potentiellement 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 prédictions de l’IA reflètent plus étroitement la population à laquelle elles seront appliquées à l’avenir”, a déclaré Slomka.

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

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

La source:

Référence de la revue :

Shanbhag, AD, et coll. (2022) La correction d’atténuation basée sur l’apprentissage en profondeur améliore la précision diagnostique du SPECT cardiaque. Journal de médecine nucléaire. doi.org/10.2967/jnumed.122.264429.

Facebook
Twitter
LinkedIn
Pinterest

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.

ADVERTISEMENT