Dans une étude récente publiée dans La santé numérique du LancetUn groupe de chercheurs a estimé la capacité vitale forcée (CVF) (air expiré total après la respiration la plus profonde) et le volume expiratoire forcé en 1 seconde (VEMS).1) (air expiré dans la première seconde d’une respiration forcée) à partir de radiographies pulmonaires à l’aide d’un modèle basé sur l’apprentissage profond.

Étude : Un modèle basé sur l'apprentissage profond pour estimer la fonction pulmonaire à partir de radiographies pulmonaires : étude de développement et de validation de modèles multi-institutionnels au Japon.  Crédit photo : sopa phetcharat/Shutterstock.comÉtude: Un modèle basé sur l’apprentissage profond pour estimer la fonction pulmonaire à partir de radiographies pulmonaires : étude de développement et de validation de modèles multi-institutionnels au Japon. Crédit photo : sopa phetcharat/Shutterstock.com

arrière-plan

Tests de la fonction pulmonaire, mesurant principalement la CVF et le VEMS1 l’utilisation de la spirométrie est essentielle pour le diagnostic et le traitement des maladies respiratoires telles que la maladie pulmonaire obstructive chronique (MPOC) (une maladie pulmonaire chronique qui provoque une obstruction du flux d’air) et l’asthme.

La spirométrie est d’une importance cruciale depuis son introduction clinique en 1846, mais peut s’avérer difficile pour les personnes âgées et les jeunes enfants, et son utilisation a été limitée pendant la pandémie de maladie à coronavirus 2019 (COVID-19).

Les radiographies pulmonaires, largement disponibles et corrélées à la fonction pulmonaire, offrent une approche alternative. Des recherches supplémentaires sont nécessaires pour améliorer les méthodes d’estimation de la fonction pulmonaire dans différents contextes cliniques et populations de patients.

À propos de l’étude

L’étude rétrospective a collecté des radiographies thoraciques et des données de spirométrie auprès de cinq institutions japonaises entre le 1er juillet 2003 et le 31 décembre 2021. L’étude, approuvée par le comité d’éthique de l’Université métropolitaine d’Osaka, a renoncé au consentement éclairé car les données ont été collectées dans le cadre de la pratique clinique de routine.

Les données de spirométrie ont été étiquetées avec FVC et FEV1 Des valeurs et des radiographies thoraciques prises dans les 14 jours suivant la spirométrie ont été utilisées. Les données ont été divisées en ensembles de données de formation, de validation et de tests internes de trois institutions (AC) et en ensembles de données de tests externes des deux institutions restantes (D et E).

Le modèle d’intelligence artificielle (IA) a été formé à l’aide du réseau neuronal convolutif Next (ConvNeXt) et de deux classificateurs avec différentes fonctions de perte et résolutions d’image, et le modèle le plus performant a été sélectionné à l’aide du framework Python Torch (PyTorch).

Les performances ont été évaluées en calculant le coefficient de corrélation de Pearson (r), le coefficient de corrélation intraclasse (ICC), l’erreur quadratique moyenne (RMSE), l’erreur quadratique moyenne (MSE) et l’erreur absolue moyenne (MAE) entre les valeurs de spirométrie prédites et réelles.

Les cartes de saillance créées à l’aide de SHapley Additive ExPlanations (SHAP) ont mis en évidence les régions importantes pour la prédiction et ont été examinées par des radiologues indépendants.

Les analyses statistiques ont été effectuées à l’aide de SciPy en Python, avec des intervalles de confiance à 99 % estimés par bootstrapping. L’étude s’est concentrée sur les performances du modèle d’IA plutôt que sur les comparaisons de valeurs p.

Résultats de l’étude

Un total de 141 734 paires appariées aux rayons X et à la spirométrie provenant de 81 902 patients ont été incluses dans l’analyse. Les ensembles de données de formation, de validation et de tests internes comprenaient 134 307 radiographies de 75 768 patients avec une répartition égale de 50 % de femmes et de 50 % d’hommes (âge moyen de 56 ans, écart-type de 18).

L’ensemble de données de formation comprenait 108 366 radiographies de 61 009 patients (50 % de femmes, âge moyen 54 ans, SD 17), tandis que l’ensemble de données de validation comprenait 13 180 radiographies de 7 381 patients (50 % de femmes, âge moyen 54 ans, SD 17). . L’ensemble de données de tests internes contenait 12 761 radiographies de 7 378 patients (50 % de femmes, âge moyen de 54 ans, SD 17).

Les ensembles de données de tests externes comprenaient 2 137 radiographies de 1 861 patients de l’établissement D (40 % de femmes, âge moyen 65 ans, SD 17) et 5 290 radiographies de 4 273 patients de l’établissement E (46 % de femmes, âge moyen 63 ans, SD 17). ).

Les données sur la race et l’origine ethnique n’étaient pas disponibles. Le modèle le plus performant utilisait une fonction de perte RMSE de 0,39 et une taille d’image de 1 024 pixels à 182 époques.

Pour la détermination de la CVF à l’aide d’ensembles de données de tests externes, l’établissement D avait une valeur r de 0,91 (IC à 99 % 0,90-0,92) et l’établissement E avait une valeur r de 0,90 (IC à 99 % 0,89-0,91). Les valeurs ICC étaient de 0,91 et 0,89, les valeurs MSE de 0,17 L², les valeurs RMSE de 0,41 L et les valeurs MAE de 0,31 L.

Pour le VEMS1 Comme déterminé, l’établissement D avait une valeur r de 0,91 (IC à 99 % 0,90-0,92) et l’établissement E avait également une valeur r de 0,91. Les valeurs ICC pour les deux institutions étaient de 0,90, les valeurs MSE étaient de 0,13 L² et 0,11 L², les valeurs RMSE étaient de 0,37 L et 0,33 L et les valeurs MAE étaient de 0,28 L et 0,28 L.25L.

Les patients atteints de BPCO avaient des valeurs r de 0,81 pour la CVF et de 0,83 pour le VEMS.1 dans les établissements D et E. Les patients asthmatiques avaient des valeurs r de 0,89 pour la CVF et de 0,90 pour le VEMS.1.

L’aire sous la courbe caractéristique de fonctionnement du récepteur pour la classification de moins de 80 % de la CVF prévue était de 0,88 pour l’établissement D et de 0,85 pour l’établissement E ; pour le VEMS1 prédit moins de 80%, il était de 0,87 pour les deux institutions ; et pour le FEV1Lorsque le ratio /FVC était inférieur à 70%, il était de 0,83 pour l’établissement D et de 0,87 pour l’établissement E.

Les cartes de saillance moyenne ont montré que le modèle d’IA se concentrait principalement sur les régions pulmonaires, donnant un poids plus faible aux champs pulmonaires périphériques et un poids plus élevé aux champs pulmonaires centraux.

Les radiologues ont identifié des caractéristiques associées à une réduction du VEMS1B. Hyperinflation des poumons et épaississement de la paroi bronchique, et caractéristiques associées à une CVF réduite, notamment perte de volume pulmonaire et ombres réticulaires à la périphérie.

Conclusions

En résumé, ce modèle, qui prédit la fonction pulmonaire sans implication active du patient, a montré de fortes corrélations (valeurs r de 0,91) similaires à celles des études de tomodensitométrie thoracique (TDM).

Les radiologues ont identifié l’hyperinflation des poumons et l’épaississement des parois bronchiques comme caractéristiques associées à une réduction du VEMS.1tandis que la perte de volume pulmonaire et les ombres réticulaires étaient associées à une diminution de la CVF.

Le modèle peut compléter la spirométrie, en particulier chez les patients incapables d’effectuer une spirométrie, et améliorer la précision du diagnostic en fournissant des estimations de la fonction pulmonaire à partir de radiographies pulmonaires de routine.



Source