L’apport de l’intelligence artificielle en imagerie thoracique

Il y a deux façons d’utiliser l’IA en radiologie. La plus classique et la plus ancienne, la radiomique, consiste à extraire les multiples caractéristiques d’une image, puis à combiner celles-ci grâce à des méthodes statistiques relevant de l’IA. La seconde approche, dite deep learning, plus récente nécessite une grande quantité de données qui apprend à la machine à se débrouiller seule avec l’image qu’on lui présente. Quand on dispose de suffisamment de données elle est plus simple d’utilisation et plus performante que la radiomique. La détection des nodules L’utilisation des premiers CAD (Computer Aided Detection) pour la détection des nodules pulmonaires date des années 2000. Elle reposait sur la radiomique. Plusieurs études ont montré que le CAD faisait mieux que la double lecture(1) ; le taux important de faux positifs (6,9 par scanner pour les nodules de 3 à 5 mm et 4/scanner pour ceux supérieurs à 5 mm) constituait une limite à la méthode, tout comme sa médiocre sensibilité pour repérer les nodules sub-solides (nodules en verre dépoli)(2). L’arrivée du deep learning a constitué un progrès avec une sensibilité de 98 % et 2,9 faux positifs/scanner(3). L’autre application de l’IA est la caractérisation des nodules et la prédiction de leur malignité. Près de 1 800 caractéristiques regroupées en 12 paramètres, extraits l’étude de 145 adénocarcinomes et de 145 granulomes, ont été traités en machine learning pour la caractérisation des nodules pulmonaires, classés malins ou bénins. La radiomique a permis de détecter les lésions malignes avec une fiabilité voisine de celle d’une double lecture par le radiologue : AUC (aera under curve) = 0,75 pour les caractéristiques intranodulaires et AUC = 0,80 pour les caractéristiques intraet périnodulaires avec la radiomique ver sus AUC = 0,61 et AUC = 0,0 avec la double lecture(4). Le deep learning fait mieux que la radiomique dans ce domaine. L’enregistrement des données concernant 14 761 nodules bénins et 932 nodules malins, a permis la détection de la malignité dans 84 % et 92 % des cas dans 2 cohortes différentes alors que la radiomique obtenait 78 % et 82 % de détection(5). L’approche ultime serait d’entrer l’image du scanner dans son intégralité dans la machine (sans le repérage préalable des nodules), afin que celle-ci fasse à la fois la détection des nodules et leur caractér isat ion. Une étude a montré que le deep learning faisait mieux que le radiologue si on ne disposait pas d’antériorité de la lésion (-11 % de faux positifs et -5 % de faux négatifs), mais que les performances étaient similaires en cas d’antériorité(6). IA et pneumopathies interstitielles Les CAD de quantification de la pneumopathie interstitielle ont d’abord utilisé les méthodes classiques du machine learning(7) ; plus récemment, il a été montré que le deep learning était plus performant(8). Un travail réalisé chez des patients atteints de sclérodermie a montré que la machine faisait aussi bien que trois radiologues pour quantifier les lésions. L’écart entre le deep learning et chacun des observateurs était inférieur à l’écart entre les trois observateurs eux-mêmes. L’outil est aussi performant que le radiologue. On dispose ainsi d’un biomarqeur corrélé à la fonction respiratoire. Par ailleurs un algorithme deep learning de classification automatisée des PID (pneumopathie interstitielle idiopathique) s’est avéré être plus performant que les radiologues pour accomplir cette tâche(9). Enfin l’IA peut apporter son aide pour le suivi des patients atteints de pneumopathies interstitielles. Une étude a porté sur 212 patients atteints de sclérodermies pour lesquels on disposait d’un scanner initial que l’on comparait au scanner de suivi. La déformation des images initiales afin qu’elles se superposent à celles actuelles rendait compte de la contraction du poumon dans le temps et permettait d’obtenir des cartographies des déformations. La fibrose apparaissait également sur ces images. L’analyse par la machine des cartographies a permis de dire si le patient s’aggravait avec une sensibilité de 79 % et une spécificité de 81 %. La contraction du poumon dans le temps était plus performante que l’extension de la fibrose pour estimer la détérioration. L’aggravation fonctionnelle était repérée avec une sensibilité de 89 % et une spécificité de 77 %(10). La quantification de la Covid L’IA a été utilisée pour la quantification des lésions de la Covid. Six hôpitaux de l’AP-HP ont fourni leurs données pour entrer dans la machine deep learning. L’IA a permis de quantifier la maladie Covid avec une précision équivalente à celle des radiologues. N’ayant pas suffisamment de données pour recourir au deep learning, c’est vers la radiomique que l’on s’est tourné pour tenter de prédire le pronostic de la Covid. La description d’images pulmonaires, cardiaques, graisseuses, combinées à des données cliniques et biologiques a permis à l’IA de prédire le pronostic avec une exactitude de 70 % (décès à J4 et statut final à J31)(11). Ainsi l’IA apporte une aide croissante pour détecter, caractériser et quantifier les lésions pulmonaires. Mais aussi performante soit-elle, la machine fonctionne totalement différemment de l’intelligence humaine et peut commettre de grossières erreurs. Elle ne peut s’exonérer de l’œil et du raisonnement du radiologue et du pneumologue.