Application du Diagnostic Assisté par Ordinateur pour la Détection des Malformations Cardiaques Congénitales dans la Vue à Quatre Cavités du Cœur Fœtal lors du Dépistage de Base
Les malformations cardiaques congénitales (MCC) constituent les anomalies congénitales graves les plus fréquentes, représentant une menace significative pour la santé fœtale et étant une cause majeure de décès intra-utérin. La détection prénatale des MCC sévères est cruciale, car elle peut considérablement réduire la mortalité et la morbidité néonatales. Cependant, le taux de détection des MCC lors des examens échographiques prénatals varie entre 25,0 % et 59,7 %, indiquant un besoin d’amélioration des stratégies diagnostiques. Ces dernières années, le diagnostic assisté par ordinateur (DAO) basé sur l’apprentissage profond (DL) a connu des avancées rapides, offrant des améliorations potentielles en termes de précision diagnostique, de réduction des coûts de santé et d’optimisation des flux cliniques. Cette étude se concentre sur l’application de la méthodologie DAO pour identifier les éléments principaux et dépister automatiquement les MCC en utilisant des images échographiques 2D du cœur fœtal dans la vue à quatre cavités (4CV).
L’étude a été menée de manière rétrospective, en utilisant des images collectées dans un seul centre entre décembre 2017 et mai 2020. Les images sélectionnées provenaient de grossesses uniques à un âge gestationnel de 20 à 23+6 semaines, incluant à la fois des cas de cœur normal et de MCC. Les critères d’inclusion pour les images de cœur normal exigeaient que les images montrent une 4CV standard, proviennent de grossesses uniques à l’âge gestationnel spécifié, et soient confirmées par une échocardiographie postnatale comme ayant une structure cardiaque normale. Les critères d’exclusion pour les images de cœur normal incluaient les images ne montrant pas une 4CV standard et les cas présentant des anomalies cardiaques pendant la grossesse ou lors de l’échocardiographie postnatale. Pour les images de MCC, les critères d’inclusion étaient similaires, avec l’exigence supplémentaire que les cas soient confirmés par une échocardiographie postnatale ou une autopsie après induction du travail. Les critères d’exclusion pour les images de MCC incluaient celles montrant des structures cardiaques non causées par des MCC dans la 4CV.
Les images standard de 4CV ont été obtenues conformément aux directives de la Société Internationale d’Échographie en Obstétrique et Gynécologie. L’étude a été approuvée par le Comité d’Éthique de l’Hôpital d’Obstétrique et de Gynécologie de Beijing. Dans chaque image, 11 marqueurs échographiques ont été sélectionnés comme régions d’intérêt (ROI), incluant la région thoracique, la région cardiaque, l’angle de l’axe cardiaque, le septum atrial, le septum ventriculaire, la valve mitrale, la valve tricuspide, l’oreillette gauche, le ventricule gauche, l’oreillette droite et le ventricule droit. Ces marqueurs ont été annotés et identifiés à l’aide d’un réseau de neurones convolutifs (CNN) dans le DL, avec une segmentation d’image utilisée pour obtenir les ROI.
Les images ont été divisées en ensembles d’entraînement et de validation dans un rapport de 4:1. Les médecins échographistes ont étiqueté les images de l’ensemble d’entraînement, qui ont ensuite été introduites dans le réseau de classification pour produire des résultats binaires indiquant la présence ou l’absence de maladie. Le modèle a été optimisé pour s’assurer que des images similaires ne soient pas séparées dans différents ensembles. L’ensemble de validation a été introduit après l’entraînement du réseau de classification, et les résultats de sortie ont été comparés aux étiquettes réelles des images correspondantes pour évaluer la performance du modèle.
Des techniques d’augmentation de données, incluant la translation et le retournement horizontal et vertical, ont été appliquées à l’ensemble d’entraînement pour augmenter le volume de données et réduire le surapprentissage. Les ROI ont été redimensionnées à une taille fixe et standardisées avant d’être introduites dans le réseau de classification. Le réseau ResNet, pré-entraîné sur le jeu de données ImageNet, a été utilisé dans cette étude. Les couches de convolution et la couche entièrement connectée ont été affinées en utilisant les données de l’ensemble d’entraînement pour résoudre le problème de l’insuffisance des données d’images médicales et pour réduire le temps d’entraînement. Les analyses statistiques ont été réalisées à l’aide du logiciel SPSS 22.0 et de la bibliothèque scikit-learn du langage de programmation Python. Les données ont été exprimées en fréquences ou en moyenne et écart-type. La performance de dépistage pour différentes MCC a été évaluée par les courbes ROC, avec l’indice de Youden utilisé pour calculer le seuil optimal pour un diagnostic efficace des MCC.
Un total de 566 cas diagnostiqués avec des MCC dans des grossesses uniques à un âge gestationnel de 20 à 23+6 semaines a été inclus dans l’étude. Après application des critères d’inclusion et d’exclusion, 219 cas avec 520 images de MCC et 1000 cas avec 1002 images normales ont été sélectionnés. Les images ont été divisées en ensembles d’entraînement et de validation dans un rapport de 4:1. Dans l’expérience binaire, le modèle déterminait si l’image était un cas de MCC ou normale. L’ensemble d’entraînement comprenait 1217 images, incluant 416 images de MCC et 801 images normales. L’ensemble de validation comprenait 305 cas, incluant 104 images de MCC et 201 images normales. Le taux de détection de l’ensemble d’entraînement était de 92,40 %, avec une spécificité de 87,44 % et une précision de 89,15 %. Dans l’ensemble de validation, le taux de détection était de 82,83 %, avec une spécificité de 96,60 % et une précision de 92,13 %. L’AUC de l’ensemble d’entraînement était de 0,962 (IC à 95 % : 0,949–0,975), et celle de l’ensemble de validation était de 0,973 (IC à 95 % : 0,950–0,996).
Dans les cas impliquant des lésions de la sortie et de l’arc, 38 images ont été ajoutées à l’ensemble d’entraînement de l’expérience binaire. L’ensemble de validation pour ces cas comprenait 145 images, avec le modèle distinguant 51,03 % (74/145) comme anormales. Parmi toutes les maladies diagnostiquées, cinq types de MCC avec le plus grand nombre de cas ont été sélectionnés pour une analyse plus approfondie : le défaut septal ventriculaire (DSV), la sténose pulmonaire (SP), le défaut septal atrioventriculaire (DSAV), l’atrésie pulmonaire (AP) et le syndrome du cœur gauche hypoplasique (SCGH). Les taux de détection pour ces maladies étaient respectivement de 84,21 %, 48,00 %, 77,27 %, 70,59 % et 77,78 %. La spécificité était de 94,32 %, 99,74 %, 98,23 %, 95,83 % et 99,66 %, et la précision était de 91,80 %, 93,11 %, 96,72 %, 94,43 % et 99,02 %, respectivement. La ROC du modèle a montré une bonne AUC pour les cinq types de MCC.
Comparée aux études utilisant des méthodes conventionnelles pour la détection des MCC, qui rapportent une prévalence des MCC majeures dépistées prénatalement allant de 4,1 % à 61,5 %, cette étude a démontré une sensibilité, une spécificité et une précision plus élevées dans la détection des MCC, avec une spécificité et une précision dépassant 95 %. Le modèle pouvait détecter toutes les MCC avec moins de faux positifs. Douze types de MCC pouvaient être identifiés comme anormaux dans la 4CV, avec cinq types sélectionnés pour un apprentissage de segmentation plus approfondi afin d’extraire des informations clés pour l’analyse. Ceux-ci incluaient le DSV, la SP, le DSAV, l’AP et le SCGH, qui peuvent présenter une 4CV anormale et nécessiter plus d’expérience et de temps de diagnostic dans les contextes cliniques.
Malgré le fait que le DSV soit la MCC la plus fréquente, les études précédentes rapportaient des taux de détection faibles allant de 9,1 % à 39 %. Dans cette étude, le modèle a démontré un diagnostic efficace du DSV. Pour la SP et l’AP, qui nécessitent un diagnostic dans les vues de sortie, le modèle a atteint un diagnostic sensible avec une haute sensibilité dans la vue 4CV en utilisant la méthodologie DAO. Les taux de détection pour le DSAV et le SCGH étaient cohérents avec les études précédentes, qui rapportaient des taux de 15,1 % à 83,4 % pour le DSAV et de 15,0 % à 95,8 % pour le SCGH. Bien que toutes les malformations ne puissent pas être détectées dans un seul plan, la méthodologie DAO a réduit le temps d’examen et permis au modèle de juger les images après identification des anomalies.
Le DAO peut améliorer la précision et l’efficacité du dépistage de base du cœur fœtal, réduisant les temps d’examen et d’attente pour les patients. Le modèle est applicable à divers instruments échographiques et permet la récupération et la réanalyse des images dans le jeu de données à tout moment. La combinaison de la corrélation spatio-temporelle des images et de l’échocardiographie de suivi des speckles avec ce modèle pourrait encore améliorer le dépistage et le diagnostic prénatal des MCC. De plus, ce modèle est particulièrement bénéfique pour les médecins juniors dans le dépistage de base du cœur fœtal, les aidant à identifier davantage d’anomalies cardiaques fœtales. Dans les hôpitaux primaires et les zones reculées, le modèle peut être utilisé dans le dépistage du cœur fœtal lors de l’échographie de mi-grossesse, facilitant le transfert rapide des cas de MCC vers des hôpitaux supérieurs.
En conclusion, cette étude rétrospective présente une méthode prometteuse pour le dépistage des MCC en utilisant la méthodologie DAO. Le modèle a le potentiel d’être un outil efficace et pratique pour la formation et le dépistage de base du cœur fœtal, améliorant la précision et l’efficacité diagnostiques tout en réduisant les coûts de santé et les charges de travail clinique.
doi.org/10.1097/CM9.0000000000002274