Examiner la capacité de l’analyse de la texture trabéculaire osseuse (TBT) combinée avec les réseaux de neurones convolutif (CNNs) pour prédire la progression de la gonarthrose.

Cette étude a inclus 1888 patients de l’OAI et 683 patients de MOST. Les radiographies ont été automatiquement segmentées pour déterminer 16 régions d’intérêt. La réduction de l’interligne articulaire médial (JSN) a été pris comme critère pour la définition de la progression de l’arthrose sur 48 mois dans l’OAI et 60 mois dans MOST. Une méthode basée sur les CNNs a été utilisée pour estimer les grades de Kellgren & Laurence (KLprob). Plusieurs modèles de prédiction ont été proposés et évalués à l’aide de la régression logistique. Les courbes ROC (receiver operating characteristic) ont été utilisées comme critère global pour évaluer la capacité prédictive de ces modèles.

Le modèle (Mcomb) combinant les paramètres de TBT, de JSN latéral, de KLprob et des covariables cliniques était prédictif de la progression du JSN avec une AUC (area under the curve) de 0,75 pour l’OAI et de 0,81 pour MOST. La capacité prédictive du modèle Mcomb était invariante par rapport à la modalité d’acquisition (radiographies numériques, films numérisés) mais aussi à la qualité des images. Les modèles de prédiction ont produit de meilleurs résultats en utilisant les grades KLprob par rapport à ceux fournis par les radiologues. Cependant, les modèles basés sur TBT ont nettement surpassé les modèles basés sur KLprob dans l’étude MOST, et ont fourni des performances similaires dans l’OAI. De plus, le modèle Mcomb, lorsqu’il a été entraîné dans une cohorte, a pu prédire la progression de la gonarthrose dans l’autre cohorte.

Notre étude implique l’utilisation des deux plus grandes cohortes bien phénotypées de patients gonarthrosiques. Nous avons évalué l’effet de différents scénarios de qualité d’image et de modalité sur les performances de la prédiction de la progression de l’arthrose. Un avantage majeur de notre étude est l’évaluation de l’utilisation d’un modèle entraîné sur une cohorte et validé sur l’autre. Ce travail illustre la place que pourrait avoir l’intelligence artificiel combiné aux outils de traitement d’images dans des applications cliniques en rhumatologie.

Nos résultats montrent la bonne performance du modèle proposé (Mcomb) pour la prédiction de la progression du JSN médial sur une période de 4 à 6 ans dans les deux plus vastes cohortes de gonarthrose.