Du fait du caractère insidieux et de l’hétérogénéité des symptômes, le retard au diagnostic des spondyloarthrites, rhumatismes inflammatoires chroniques est estimé à environ 7 ans. Les critères de diagnostic actuels correspondent à des marqueurs tardifs ayant un apport mineur dans le diagnostic précoce de ces pathologies. Avec l’avènement des nouvelles stratégies thérapeutiques, l’identification précoce des patients est alors primordiale afin de proposer la prise en charge thérapeutique la plus adaptée à chaque patient. De façon intéressante, une diminution de la densité minérale osseuse (DMO) chez le jeune adulte a été démontrée comme étant un marqueur précoce prédictif des différentes formes de spondylarthrites (Forien M., 2015 ; Malochet-Guinamand S., 2017). Outre l’examen spécifique de densitométrie, l’évaluation de la DMO peut également être réalisée de façon opportuniste et tout aussi précise à partir de scanners (Engelke K., 2015 ; Brunnquell C., 2021). Dans ce contexte, nous avons développé des réseaux de neurones convolutifs (CNN) pour une estimation automatisée de la DMO sur l’ensemble des vertèbres, de la hanche et du fémur à partir de scanners afin d’alerter le praticien d’une forte suspicion de spondyloarthrites et d’accompagner un diagnostic bien plus précoce.

Ces travaux utilisent une base de données publiques composées de 1204 CT scanners. Cette base a été nettoyée, caractérisée et pré-traitée pour obtenir un jeu de 630 CT de rachis et/ou de pelvis. La base de données a été séparée en un jeu d’entraînement, de validation et de test (respectivement 64 %, 16 % et 20 %). Compte tenu des sites de prédilection de la pathologie, nous nous sommes particulièrement intéressés aux vertèbres : L1-L5, T1-T12, C1-C7, aux hanches et au fémur. Pour chaque scanner, nous disposons des masques de segmentation pour l’ensemble de ces sites, soit 29 annotations par image. À l’aide de ces annotations, nous avons entraîné un premier réseau de neurones convolutionnels pour prédire la segmentation des vertèbres, des hanches et du fémur. Le score F1 est utilisé comme métrique d’évaluation des performances de notre réseau pour la segmentation. Un deuxième réseau a été optimisé pour mesurer la radiodensité en Hounsfield Units (HU) de chaque os segmenté et en estimer ainsi la DMO sur le set de test de la base de données. Afin d’optimiser les performances des algorithmes, différentes techniques d’apprentissage par transfert, de fonctions d’augmentation des données et une recherche de la meilleure architecture ont été mises en place.

Nous avons obtenu un F1 score moyen de 0,61 sur les 29 régions segmentées. Pour chaque région, nous avons comparé la valeur réelle de la DMO calculée sur le masque d’origine, et la valeur estimée à l’aide des segmentations prédites, avec une erreur moyenne de 104,61±173,89HU.

L’algorithme a démontré de louables performances qu’il faudra valider sur des bases de données externes issues de centres experts afin d’être en adéquation avec une future utilisation clinique. Le parcours de soin classique des patients spondyloarthritiques en errance diagnostique étant ponctué de scanners, la mesure opportuniste de la DMO sur des scanners chez des jeunes adultes apparaît donc comme une innovation diagnostique majeure.