D’évolution diverse, la polyarthrite rhumatoïde conduit à une destruction progressive du cartilage et des os aboutissant à des déformations articulaires irréversibles. L’évaluation des dégâts structuraux au cours de la polyarthrite rhumatoïde fait ainsi partie intégrante de la prise en charge des patients. Fréquemment utilisé en recherche clinique, le score de Sharp modifié par van der Heijde (SvH) évaluant l’érosion et le pincement articulaire est le système de quantification de référence des dégâts articulaires des mains, des poignets et des pieds. L’évaluation radiologique de ce score est alors essentielle dans l’appréciation du diagnostic, le suivi et l’évaluation thérapeutique du traitement. L’évaluation manuelle du SvH nécessite du temps et une expertise médicale de haut niveau afin de pallier aux variabilités d’interprétation inter-observateurs. Pour faciliter et standardiser l’évaluation de ce score, nous avons développé des réseaux de neurones convolutionnels pour d’une part segmenter finement tous les os de la main et d’autre part automatiser la cotation du SvH globale afin d’obtenir une mesure plus précise et plus efficace de l’érosion et du pincement pour chaque articulation.

Dans le cadre de cette étude, nous avons utilisé une base de données publiques de 3818 radios des deux mains de patients atteints de polyarthrite rhumatoïde. Pour chaque radio, nous disposons d’une cotation de la sévérité de l’atteinte, évaluée avec la méthode de Sharp/van der Heijde. Le score SvH a des valeurs comprises entre 0 et 280 car seules les deux mains sont utilisées. Sur un sous ensemble de 120 radios (soit 240 mains), nous avons segmenté manuellement 28 os de la main : les phalanges, les métacarpes, les carpes, l’ulna et le radius. Cette segmentation a été faite sur le logiciel CVAT à l’aide d’un outil semi-automatique. La base de données a été séparée en un jeu d’entraînement, de validation et de test (respectivement 64 %, 16 % et 20 %). Deux réseaux de neurones convolutionnels (CNN) ont été entraînés. Le premier prédit la valeur du score de SvH et le second la segmentation des os de la main. L’entraînement a été fait avec la librairie PyTorch en utilisant une carte graphique. Pour améliorer les performances des algorithmes, différentes techniques ont été mises en place : apprentissage par transfert, fonctions d’augmentation des données (rotation, inversion par symétrie, bruitage) et recherche de la meilleure architecture.

Le réseau de segmentation obtient un coefficient de Dice moyen de 0,75 (std 0,09). Le réseau de prédiction du SvH a une erreur moyenne de 16,00 (std 17,75), avec une corrélation de Pearson de 0,86.

Au vu de ces résultats prometteurs, cette étude démontre l’intérêt de l’utilisation d’algorithmes d’intelligence artificielle dans le diagnostic et le suivi standardisé des patients atteint de la polyarthrite rhumatoïde. Le contourage précis de chaque phalange permis par la segmentation automatisée est une première étape capitale pour une évaluation précise, rapide et normalisée de l’érosion et du pincement. La prédiction automatisée du SvH associée à cette segmentation fine permettront d’aider les cliniciens dans l’évaluation des lésions ostéoarticulaires et la stratification des patients en fonction de la sévérité de l’atteinte avec une grande précision.