Intelligence artificielle en imagerie cardiovasculaire - Révolution actuelle et future

Comprendre le principe du machine learning/deep learning appliqué à l’imagerie (figure 1) Figure 1. Diagramme de Venn présentant la terminologie hiérarchique de l’intelligence artificielle(1). Le principe est relativement simple : fournir à un logiciel informatique des milliers et des milliers de « données étiquetées » afin qu’il apprenne seul à diagnostiquer à l’identique. Ainsi, la notion de donnée étiquetée correspond à une donnée d’imagerie brute (images d’IRM, de scanner ou d’échographie cardiaques) pour laquelle un médecin expert a posé une mesure ou un diagnostic précis. L’algorithme apprend alors en profondeur (deep learning) à identifier tous les détails de l’image qui auront permis à l’expert d’arriver à ce diagnostic(1) (figure 2). Figure 2. Comprendre les différentes étapes de construction d’un algorithme de deep learning(1). Ainsi, combien de dysplasies arythmogènes du ventricule droit (DAVD) sont diagnostiquées sur toute une carrière par un expert en imagerie cardiaque ? Une centaine ? Peutêtre le double, pour les meilleurs d’entre nous ? Eh bien, imaginez un logiciel d’IA capable d’ingurgiter les données de plusieurs milliers de cas de DAVD identifiés par des dizaines d’experts à travers le monde… L’expérience du réseau de neurones devient alors virale… On comprend alors pourquoi de nombreuses études ont déjà montré que ce type d’algorithme permet de réduire significativement le taux d’erreur d’interprétation. Gain de temps pour le cardiologue/radiologue dans l’interprétation Dans une étude récente publiée dans Circulation Cardiovascular Imaging, l’équipe de C. Manisty présente les résultats d’un nouvel algorithme d’IA capable de lire les scanners et IRM cardiaques 186 fois plus rapidement que les chercheurs humains(2). Ainsi, les résultats de cette étude montrent que le principe du machine learning permettrait d’augmenter la vitesse de lecture des praticiens, tout en diminuant significativement le taux d’erreur d’interprétation. De plus, selon cette étude, il faut environ 13 minutes à un médecin pour analyser les fonctions cardiaques sur une IRM cardiaque. Or, l’IA est capable d’aider le médecin à analyser ces images en seulement 4 secondes. Ainsi, dans notre système de santé en pleine mutation, l’IA pourrait faire économiser un temps précieux aux établissements de santé tout en réduisant le taux d’erreurs commises lors de la lecture. En effet, si l’on compare le temps gagné sur chaque lecture d’IRM avec le nombre de lectures effectuées chaque année, les cardiologues/radiologues pourraient gagner un total de 54 jours par an(2). L’IA remplacera-t-elle un jour les médecins en imagerie ? Les cardiologues/radiologues ont recours à l’imagerie cardiaque, mais l’analyse manuelle des images obtenues reste chronophage et sujette aux erreurs, notamment de possibles erreurs d’inattention liées à un flux quotidien de patients parfois très important. Différentes start-up et compagnies de l’imagerie proposent, depuis plusieurs années, différents logiciels ayant recours à l’IA. Ainsi, l’objectif est de pouvoir automatiser le processus de certaines mesures peu intéressantes à réaliser techniquement et assez fastidieuses. L’exemple incontournable en imagerie cardiovasculaire est celui de la mesure de la FEVG. En effet, alors que nous devions segmenter l’endocarde et l’épicarde sur chaque coupe manuellement prenant environ 13 minutes il y a encore quelques années, aujourd’hui un logiciel réalise cette segmentation pour nous en quelques secondes… Est-ce que cela nous pousse à être remplacés par la machine ? Non, bien au contraire, la machine est à notre service pour nous faire gagner du temps sur les tâches les plus rébarbatives, afin d’augmenter notre temps de réflexion médicale ! L’apport de l’imageur n’est pas de savoir tracer correctement les limites de l’endocarde sur une coupe du VG, ni même de savoir mesurer la zone compactée et la zone non compactée d’une noncompaction du VG, mais plutôt d’être capable d’intégrer toutes ces informations, en lien avec le contexte clinique, afin que l’imagerie fasse sens dans l’histoire du patient (figure 3). En réalité, « l’IA aide le praticien à faire la synthèse » ! Figure 3. Exemple de segmentation automatique de la zone non compactée par un logiciel d’IA dédiée à l’IRM cardiaque permettant une mesure selon les critères de Jacquier (image de gauche) ou de Petersen (image de droite) (images acquises par le software Circle CVi42®). De plus, l’automatisation du processus par l’IA a conduit à une augmentation importante du flux de patients, permettant aux médecins de traiter plus de patients dans le même laps de temps. Lorsque l’on connaît les délais d’attente pour une IRM ou un scanner cardiaque dans certaines régions de France, il s’agit d’un élément de santé publique absolument majeur ! l La « French touch » plus que jamais présente sur le devant de la scène ! L’équipe du CHU de Bordeaux propose avec S. Lafitte le développement d’une nouvelle unité de recherche dédiée à l’IA appliquée à la cardiologie, et notamment avec un versant consacré à l’imagerie cardiovasculaire. Dans cette optique, un premier travail a été publié sur le sujet du « Jumeau numérique » (digital twin). Véritable clone numérique du coeur du patient réalisé informatiquement à partir de données cliniques, d’imagerie (IRM et échographie cardiaque) et électrophysiologiques (teeshirt ECG). L’objectif étant alors de pouvoir tester les effets d’une nouvelle intervention sur le jumeau numérique du cœur du patient avant de la réaliser sur le patient lui-même. Ainsi, Buliard et coll. de l’équipe de Bordeaux a publié récemment des résultats très encourageants sur un cas de resynchronisation cardiaque guidée par la technique du jumeau numérique en amont de la procédure(3) (figure 4). Figure 4. Utilisation du jumeau numérique (digital twin) en amont d’une procédure de resynchronisation cardiaque par l’équipe du CHU de Bordeaux (d’après Buliard et al.[3]). En parallèle, l’équipe de S. Lafitte travaille sur l’échocardiographie avec la start-up bordelaise DESKi, spécialisée dans le deep learning et l’imagerie médicale. À partir des données annotées tous les jours dans le laboratoire d’échocardiographie, ils ont développé une solution aidant l’opérateur en temps réel à obtenir les vues de référence de qualité (lien vidéo). L’objectif est d’aider à la formation et à la démocratisation de l’usage de l’échographie (figure 5). Figure 5. Solution d’aide à l’acquisition, l’algorithme aide les médecins à positionner correctement la sonde en temps réel pour obtenir les vues de références En pratique Le potentiel de l’IA appliquée à notre pratique quotidienne de l’imagerie cardiovasculaire est immense, avec des effets actuels et futurs majeurs sur l’industrie de la santé. Ainsi, nous vivons probablement une période de développement sans précédent dans le monde de l’imagerie cardiaque, véritable bras armé d’une cardiologie toujours plus précoce pour nos patients, tant sur le plan préventif que curatif(4). Cependant, notre rôle de clinicien est probablement d’accompagner ce processus d’évolution de notre médecine, afin de rester les garants d’une exigence et d’une précision permanentes, notamment dans nos échanges avec les équipes d’ingénieurs et mathématiciens dédiées à ce domaine.