Des chercheurs du Cedars-Sinai Medical Center, un des plus importants hôpitaux de Los Angeles, ont développé un algorithme capable de mesurer avec précision les dépôts dans les artères coronaires et de prédire les risques d’un patient de souffrir d’une attaque cardiaque dans les cinq années qui suivent. Il permettrait de réaliser cette analyse en quelques secondes alors qu’il faut 30 minutes aux cardiologues pour le faire grâce à une angiographie par tomodensitométrie. L’étude intitulée « Angiographie CT coronarienne basée sur l’apprentissage profond pour la quantification de la plaque et de la sténose et la prédiction du risque cardiaque : une étude multicentrique internationale » vient d’être publiée dans The Lancet.
La prévention des crises cardiaques grâce à l’intelligence artificielle est au cœur de nombreuses recherches ces dernières années.
Les cardiologues ont recours à la tomodensitométrie cardiaque (CTA), une technique d’imagerie qui, grâce aux rayons X, fournit des images très détaillées des veines et des artères du cœur et permet de détecter l’accumulation de plaques ou de calcium dans les vaisseaux sanguins et de repérer de possibles blocages. Dans le cas d’investigation des artères coronaires, on parle d’angiographie par tomodensitrométrie coronarienne (CCTA).
Un algorithme de deep learning pour aider à interpréter les images de la CCTA
Les algorithmes d’intelligence artificielle sont de plus en plus appliqués au CCTA pour améliorer l’efficacité et la précision de l’analyse d’images, démontrant des performances élevées par rapport aux lecteurs expert.
Selon l’équipe de recherche dirigée par Damini Dey, de l’Institut de recherche en imagerie biomédicale de Cedars-Sinai, leur nouveau système d’apprentissage en profondeur validé en externe fournit des mesures rapides du volume de la plaque et de la gravité de la sténose à partir du CCTA qui concordent étroitement avec les lecteurs experts et l’échographie intravasculaire, et pourraient avoir une valeur pronostique pour un futur infarctus du myocarde.
Les chercheurs ont d’abord développé un algorithme pour reconnaître les dépôts de plaque à l’aide d’un ensemble de données d’images CTA de 921 patients. L’outil a ensuite été validé sur un ensemble d’images de test de plusieurs centaines de patients, ses résultats concordaient majoritairement avec ceux des lecteurs experts humains.
Ensuite, ils ont cherché à évaluer la valeur prédictive de la quantification de la plaque d’athérosclérose par apprentissage profond pour le risque d’un futur infarctus du myocarde dans une sous-analyse de l’essai SCOT-HEART. Après avoir défini un certain nombre de seuils de volume de plaque pour que l’outil fonctionne, les chercheurs ont découvert qu’il pouvait stratifier avec précision les patients en deux catégories : ceux à haut risque et ceux à faible risque de subir une crise cardiaque dans les cinq ans suivant le CTA imagerie.
Damini Ney a déclaré :
« La plaque coronarienne n’est souvent pas mesurée car il n’existe pas de moyen entièrement automatisé de le faire. Lorsqu’elle est mesurée, cela prend au moins 25 à 30 minutes à un expert, mais maintenant nous pouvons utiliser ce programme pour quantifier la plaque à partir d’images CTA en cinq à six secondes. »
L’algorithme de deep learning a besoin d’être validé avant d’être déployé dans les hôpitaux. Elle a ajouté :
« D’autres études sont nécessaires, mais il est possible que nous puissions prédire si et à quel moment une personne est susceptible d’avoir une crise cardiaque en fonction de la quantité et de la composition de la plaque imagée avec ce test standard. »
Sources de l’article :
Angiographie CT coronarienne basée sur l’apprentissage profond pour la quantification de la plaque et de la sténose et la prédiction du risque cardiaque : une étude multicentrique internationale. Andrew Lin, MBBS, Nipun Manral, MSc, Priscilla McElhinney, B.Sc, Aditya Killekar, MSc,Hidenari Matsumoto, M.D,Jacek Kwiecinski, M.D.
