Vers un passage à l’intelligence artificielle pour l’échocardiographie

L’interprétation automatique des images cardiaques est à portée de la main au travers des algorithmes de l’intelligence artificielle (IA) et de l’apprentissage profond. L’intérêt de cette approche est évident à plus d’un égard : soulager l’opérateur de tâches fastidieuses et chronophages et faciliter l’évaluation itérative de la fonction cardiaque sans qu’il soit besoin d’avoir un expert sur place, à titre d’exemples car les perspectives sont à l’évidence trop vastes pour être résumées en quelques mots. Les progrès accomplis dans le domaine de la vision par ordinateur, dite aussi vision artificielle dopent les avancées dans l’interprétation automatique des images.

De la phase d’apprentissage…

L’échocardiographie est clairement une cible potentielle de l’IA et de ses capteurs comme en témoignent les résultats d’une étude publiée dans Circulation qui a évalué les performances d’un algorithme élaboré par le biais de l’apprentissage profond, ceci sous quatre angles principaux : (1) l’identification des incidences ; (2) la segmentation des images ; (3) la quantification des structures et des fonctions accessibles à l’analyse ; (4) la détection de pathologies prédéterminées à partir des informations précédentes. Il faut souligner au passage la complexité et la lourdeur des données caractéristiques de l’échocardiographie : des dizaines de vidéos, une multitude de points de vue et d’incidences, l’étude en 2D d’une réalité 3D, sans oublier la variabilité du rythme cardiaque et l’atténuation des ultrasons variable d’un patient à l’autre…

Dans un premier temps, les réseaux de neurones dit convolutifs ont été alimentés par 14 035 échocardiogrammes réalisés en l’espace d’une dizaine d’années. C’est ainsi que la machine s’est entraînée à accomplir des tâches multiples incluant l’identification automatique de 23 points de vue et la segmentation des cavités cardiaques à partir des cinq incidences les plus courantes. C’est à partir de ces données élémentaires qu’ont été calculés les volumes cardiaques, la masse ventriculaire gauche (MVG) et la fraction d’éjection du ventricule gauche (FEVG). Ces dernières ont également permis de déterminer le strain longitudinal par la technique du speckletracking (ou 2D strain) qui repose sur la détection des marqueurs acoustiques naturels présents au sein du myocarde. Au terme de cet apprentissage, l’algorithme ainsi élaboré a été confronté à l’analyse de 8 666 échocardiogrammes obtenus au fil de la pratique courante. Il lui a été in fine demandé de détecter trois maladies : cardiomyopathie hypertrophique (CMH), cardiopathie amyloïde et hypertension artérielle pulmonaire (HTAP).

… à l’interprétation automatique

Les réseaux de neurones à convolution ainsi entraînés et sollicités ont bien rempli les missions qui leur étaient confiées, comparativement aux opérateurs humains à l’œuvre. C’est ainsi qu’ils ont correctement identifié les incidences proposées, avec une exactitude de 96 % pour ce qui est de l’image grand axe parasternale. La segmentation des structures cardiaques qui en a résulté a été également un succès, même dans les cas difficiles.

Pour ce qui est de l’évaluation des structures cardiaques, l’accord avec les résultats figurant dans le compte-rendu s’est avéré correct avec une déviation médiane de l’ordre de 15 à 17 %, pour ce qui de la MVG, du volume télédiastolique du VG ou encore du volume de l’oreillette gauche. La FEVG et le strain longitudinal évalués automatiquement par l’algorithme au sein de deux cohortes ont été corrélés aux résultats fournis par les logiciels actuellement commercialisés avec les échographes. L’écart entre les méthodes de calcul en valeur médiane absolue a été de 9,7 % pour la FEVG (n = 6 407 études), versus respectivement 7,5 % (n = 419) et 9,0 % (n = 110) pour le strain. La surveillance itérative de la fonction VG s’est avérée faisable en cas de chimiothérapie potentiellement cardiotoxique.

Les mesures automatiques se sont avérées comparables, voire supérieures aux mesures manuelles si l’on se réfère à onze paramètres représentatifs de la cohérence interne de ces dernières : la corrélation éventuelle entre le volume de l’oreillette gauche et celui du ventricule gauche en est un bon exemple. Pour ce qui est de l’identification des trois pathologies précédemment évoquées, la concordance entre les deux approches est hautement significative avec des valeurs de la statistique C qui sont respectivement de 0,93 pour la CMH, de 0,87 pour la cardiopathie amyloïde et de 0,85 pour l’HTAP.

Ces résultats qui peuvent être qualifiés d’encourageants constituent un socle pour l’interprétation automatique de l’échocardiographie cardiaque qui se profile à l’horizon, démontrant au passage la puissance des réseaux de neurones à convolution. Le circuit de traitement de l’information ainsi élaboré à partir de l’analyse de plus de 14 000 échocardiogrammes est le premier du genre et il a suffi de quelques semaines d’apprentissage profond pour en arriver là, mais il est clair qu’il faudra plus de temps pour que la méthode accède à la pratique médicale courante. La standardisation des étapes nécessaires, la validation des résultats selon des critères propres à chaque organisation ou système de santé et les coûts induits par l’acquisition des données sont autant de facteurs qui vont conditionner sa diffusion, sans compter sur la transformation de la pratique échographique : tout cela demande maturation et réflexion avant de s’emballer… mais le potentiel existe clairement.

Dr Catherine Watkins

Référence
Zhang J et coll. : Fully Automated Echocardiogram Interpretation in Clinical Practice. Feasibility and Diagnostic Accuracy. Circulation. 2018; 138: 1623–1635

Copyright © http://www.jim.fr

Réagir

Vos réactions (1)

  • Les pieds sur terre

    Le 10 novembre 2018

    Il est intéressant de comparer le titre accrocheur et, soyons honnêtes, légèrement dithyrambique, et la conclusion de cet article, bien plus réaliste…


    Dr Arthur Pearson

Réagir à cet article