Échographies des artères temporales dans l’artérite à cellules géantes & intelligence artificielle : étude Multicentrique de machine learning - 19/12/20
![](/templates/common/images/mail.png)
Résumé |
Introduction |
L’artérite à cellules géantes (ACG) est la vascularite systémique la plus fréquente. Ces dernières années, l’échographie Doppler couleur des artères temporales (CDU) s’est révélée être un outil de diagnostic non invasif, mais sa place dans l’algorithme de diagnostic reste à définir. Une limitation de la CDU est la reproductibilité inter-opérateurs. L’analyse d’images sous un angle différent est désormais possible avec le développement d’algorithmes d’intelligence artificielle. Nous proposons d’explorer cette technologie pour la détection d’un signe de halo sur les images CDU.
Patients et méthodes |
Nous avons réalisé une étude rétrospective multicentrique auprès de 137 patients avec une suspicion clinique d’ACG entre janvier 2017 et avril 2019. Les images CDU (n=1311) ont été analysées avec le logiciel VIA. Trois ensembles d’images (images de formation, de validation et de test) ont été créés et analysés avec une technique de segmentation sémantique à l’aide d’un réseau neuronal convolutionnel U-Net.
Résultats |
Sur les 137 patients inclus, 71 patients (51,8 %) avaient un diagnostic d’ACG finalement retenu, 6 patients ACG avaient un thrombus d’artère temporale, 43 présentaient un signe du halo soit 60,6 % des patients à ACG. Un total de 1311 images échographiques d’artères ont été analysées. Un groupe d’images standardisées d’artères temporales (groupe 1, 502 images) a été constitué avec une même profondeur, une même sonde echographique, les mêmes paramètres dopplers ; et un groupe d’images non standardisées d’artères temporales, occipitales, faciales (groupe 2, 809 images) ont été analysées au sein de 3 jeux d’images (Entraînement, Validation et Test). L’identification de signe échographique d’ACG au moyen réseau neuronal convolutionnel était très performante. L’aire sous la courbe (AUC) pour le diagnostic positif était respectivement de 0,974 pour le groupe 1 et de 0,901 pour le groupe 2 sur l’ensemble de validation et de test. Un seuil de positivité de l’image a été déterminé en définissant une valeur dépendante du nombre de pixel discriminant dans l’image permettant d’identifier les images positives. Avec ce seuil, une spécificité de 95 % et une sensibilité de 60 % ont été obtenues pour l’ensemble de test. L’étude des fausses interprétations a montré que les modalités d’acquisition et la présence de thrombus étaient des facteurs de confusion pour l’algorithme.
Conclusion |
Cette étude est la première à proposer une méthode d’analyse automatisée des images d’échodoppler au cours de l’ACG. Cet outil d’analyse d’images automatisé pour le diagnostic d’ACG doit faire l’objet d’une validation externe, et pourrait être utilisé comme aide au diagnostic ou pour la formation des médecins pour le diagnostic échographique de l’ACG.
Le texte complet de cet article est disponible en PDF.Plan
Vol 41 - N° S
P. A86 - décembre 2020 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?