Intelligence artificielle appliquée à l’endoscopie: le nouveau graal pour caractériser les polypes coliques diminutifs ?

L’évolution de l’endoscopie colique intègre, sur les consoles de dernière génération, un traitement d’images HD, comme la chromo-endoscopie virtuelle, permettant de mieux analyser l’état vasculaire, la texture des polypes afin de mieux les caractériser. Ce concept de « biopsie optique », utilisant les techniques NBI, Fice ou I-scan, reste cependant difficile à appliquer dans la pratique quotidienne. Améliorer la caractérisation des lésions et choisir le meilleur traitement endoscopique, demeure le futur challenge de l’endoscopiste.

NBI International Colorectal Endoscopic Classification

D’après Gastrointest Endosc. 2013; 78(4): 625-32


Le deep learning, branche de l’Intelligence Artificielle (IA), réalise maintenant une classe d’algorithmes d'apprentissage automatique, avec un système autonome qui apprend et s’améliore tous les jours à partir d’une large bibliothèque de bases de données. Il est basé sur des « réseaux de neurones artificiels » numériques qui permettent à un ordinateur d’acquérir certaines capacités du cerveau humain.  Il nécessite pour l’instant des ordinateurs puissants, utilisant souvent un modèle de réseau de neurones à convolution profond (CNN). Le terme « profond » se rapporte généralement aux 150 couches cachées du réseau de neurones (Yann Le Cun Nature 2015).

Cette IA, nécessite une large base d’images pour identifier les polypes adénomateux à risque de dégénérescence, devant être enlevés et analysés de ceux, généralement hyperplasiques, qui n’ont pas ce potentiel de malignité et que l’on peut négliger.

Sensibilité et spécificité excellentes pour détecter les adénomes conventionnels

Dans un 1er temps, un modèle d'IA, formé sur 263 sets d’entrainement et 40 sets de validation pour différencier les polypes de type 1 et 2 issus de la classification de NICE (voir image), a été mis au point uniquement sur des colonnes Olympus (série190 avec des vidéos standard NBI). Il identifie avec précision les polypes diminutifs (< 5 mm) consécutifs comme des adénomes conventionnels avec une précision globale de 94 %.

Dans un 2ème temps, 125 vidéos NBI, brutes et non altérées, de polypes ont été évaluées, en utilisant le modèle d’IA ci-dessus avec un minime décalage de 50 ms par image. L’histopathologie finale des 125 lésions retrouvait 51 polypes hyperplasiques et 74 adénomes. Parmi ceux-ci, le modèle n'a pas « créé » un niveau  de confiance de 50 % pour prédire l'histologie de 19 polypes, ce qui réduit l’échantillon à 106 polypes pour lesquels la confiance dans la prédiction est élevée.

La précision du modèle d’IA pour les adénomes conventionnels vérifiés par pathologie est excellente : la sensibilité, la spécificité, la valeur prédictive positive et la valeur prédictive négative étaient respectivement de 98 %, 83 %, 90 % et 97 %.

Trois restrictions restent cependant importantes :

- les modèles japonnais les plus performants avec méga-zoom, appelés endocystoscopes permettent de visualiser l’échelon cellulaire. Ils ont été, depuis novembre 2017, à la base de l’IA appliquée avec succès à cette imagerie endoscopique sophistiquée.
- 15 % des vidéos standard classiques n’ont cependant pu être analysées, témoignant encore du caractère expérimental du modèle et la nécessité de travailler sur de plus grandes séries (ou big data) de polypes tout venants, pour mieux instruire cette IA avec deep learning.
- les polypes festonnés ou mixtes, d’analyse macroscopique difficile, ont été exclus de ce travail, alors qu’ils ont un potentiel de malignité avéré.

Ce modèle d'IA formé à la vidéo endoscopie classique différencie ainsi les adénomes diminutifs des polypes hyperplasiques avec une grande précision. Une étude supplémentaire de ce programme est prévue dans le cadre d'essais cliniques, in vivo, sur les patients examinés au jour le jour.

Le bloc endoscopique du futur devrait faire une place importante à l'analyse automatisée des images vidéo-endoscopiques. L’utilisation de l’IA pourrait donner, en temps quasi-réel sur un autre écran, un 2e avis complémentaire à celui de l’endoscopiste pour le guider dans ses gestes thérapeutiques. L’IA deviendra alors rapidement le nouveau graal de cette spécialité digestive.

Dr Sylvain Beorchia

Référence
Byrne MF, Chapados N, Soudan F et coll . : Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonoscopy using a deep learning model. Gut 2019; 68:94-100.

Copyright © http://www.jim.fr

Réagir

Vos réactions

Soyez le premier à réagir !

Les réactions aux articles sont réservées aux professionnels de santé inscrits
Elles ne seront publiées sur le site qu’après modération par la rédaction (avec un délai de quelques heures à 48 heures). Sauf exception, les réactions sont publiées avec la signature de leur auteur.

Réagir à cet article