UPmémoires

• Français

Français

"MAniAquE": utilisation d'un Modèle d'AppreNtIssage AutomatiQUe pour l'analyse des images d'Échographies des artères temporales dans l'artérite gigantocellulaire

Introduction : L'artérite gigantocellulaire (AGC) est une vascularite des gros vaisseaux, touchant principalement les sujets âgés. Son diagnostic de certitude repose sur la biopsie des artères temporales (BAT). La place de l'échographie doppler des artères temporales (EDAT) dans le diagnostic, reste débattue mais cet examen reste d'une forte sensibilité et spécificité. Le principal reproche fait à l'EDAT est son caractère opérateur dépendant. Actuellement le développement d'applications médicales utilisant la technologie du « Deep Learning » (sous classe de l'intelligence artificielle) est en plein essor. Nous proposons donc d'utiliser cette technologie pour lire les images d'EDAT de façon autonome et ainsi de s'affranchir de la contrainte opérateur-dépendant.

Matériels et méthodes : 1311 images échographiques d'AT issues des centres de La Rochelle (502 images) et Nantes (809 images) ont été étiquetées, labellisées et anonymisées puis réparties en 3 jeux d'images (Entraînement, Validation et Test). Nous avons utilisé un réseau de neurones convolutionnels de 25 couches (type U-Net) utilisant la technique de segmentation sémantique. Chaque pixel de l'image est analysé et classifié selon la positivité ou non, pour le diagnostic d'AGC. La somme de ces pixels donne un « score image » correspondant à la somme du nombre de pixels positifs pour le diagnostic d'ACG. Enfin pour permettre à l'algorithme de classifier les images de façon binaire (diagnostic d'ACG positif ou négatif) un seuil de positivité a été défini à 1200 d'après les résultats du jeu de Validation. Les résultats sont présentés sous forme de courbes ROC.

Résultats : Nous présentons ici les résultats du dernier jeu d'images, celui de Test. Pour l'ensemble des images l'AUC est de 0.826 (et respectivement de 0.946 pour La Rochelle et de 0.807 pour Nantes). Parmi les 52 images positives, 25 % étaient des faux positifs (FP). Et parmi les 290 images négatives (FP) 8.2% étaient des faux négatifs (FN).

Discussion : Les résultats sont satisfaisants sur le plan statistique mais sont à nuancer par absence d'homogénéité entre les deux centres. En effet l'analyse des FN et FP révèle une forte proportion d'images échographiques de qualité sous optimale : les images vasculaires étaient soit trop petites soit trop profondes, entrainant un effet objet (le nombre de « pixels d'intérêts », ici des pixels vasculaires, était trop faible). De plus un effet seuil a été mis en évidence lors de l'analyse des FP, certaines images vasculaires ont été classées comme positives malgré un rapport somme des pixels positifs sur la somme des pixels négatifs largement inférieur à 1. Pour corriger cet effet seuil, l'utilisation d'une classification sur un ratio et non un chiffre brut de pixels sera à envisager. La standardisation des techniques (Doppler) et de l'édition des images (profondeur de champs) faciliterait la généralisation de l'utilisation de l'IA dans cette indication.

Conclusion : Notre étude est la première à démontrer que les réseaux neuronaux convolutionnels (CNN) peuvent être utilisés dans la lecture automatisée des images d'EDAT dans le cadre de l'AGC. Sous réserve d'une standardisation de l'examen EDAT, une généralisation pourra s'envisager après une confirmation lors d'études ultérieures.

Mots-clés libres : artérite gigantocellulaire, Horton, échographie doppler des artères temporales, intelligence artificielle, deep learning.

Rameau (langage normalisé) :
• Artérite temporale -- Échographie
  
• Échographie Doppler
  
• Médecine‎ -- Étude et enseignement
  
• Intelligence artificielle‎ -- Applications en éducation
  
• Apprentissage profond