Apprentissage profond basé sur l’imagerie dans les maladies hépatiques
Les maladies hépatiques constituent un problème de santé mondial majeur, englobant une large gamme de lésions causées par diverses étiologies. Les techniques modernes d’imagerie médicale, telles que la tomodensitométrie (TDM), l’imagerie par résonance magnétique (IRM) et l’échographie, jouent un rôle crucial dans le diagnostic et la prise en charge de ces pathologies. Au cours de la dernière décennie, l’apprentissage profond (DL) basé sur l’imagerie s’est imposé comme l’une des méthodes les plus étudiées dans ce domaine. Le DL permet d’extraire des caractéristiques de haute dimensionnalité via des architectures multicouches, avec une efficacité particulière dans les scénarios cliniques utilisant des réseaux neuronaux convolutifs en vision artificielle.
Segmentation, classification et détection de lésions
Les tâches du DL en imagerie médicale se divisent en trois catégories : segmentation d’images, classification d’images et détection de lésions. Pour la segmentation, les algorithmes de DL effectuent une segmentation « end-to-end », réduisant considérablement le temps et l’effort requis par les méthodes semi-automatiques traditionnelles nécessitant une correction manuelle. Ces algorithmes génèrent un masque de la région cible via une matrice de sortie de mêmes dimensions que l’image d’entrée, évaluée par le coefficient de Dice (DSC) et la distance de Hausdorff. Une valeur élevée de DSC et une faible distance indiquent une meilleure performance.
En classification, les algorithmes attribuent une probabilité (0 à 1) à des catégories prédéfinies, avec ou sans masque de lésion. La performance est jugée via :
- La discrimination : capacité à différencier les cas avec/sans événement clinique, mesurée par l’aire sous la courbe ROC (AUC).
- L’étalonnage : concordance entre prédictions et résultats réels, analysée par des courbes d’étalonnage.
- L’utilité clinique : évaluée par l’analyse des courbes décisionnelles intégrant les conséquences cliniques.
Pour la détection de lésions, les algorithmes localisent (coordonnées précises ou boîtes englobantes) et classifient les lésions. Les performances dépendent du taux de vrais positifs (TVP) et de faux positifs (TFP), avec une priorité accordée à l’identification correcte plutôt qu’au chevauchement spatial exact.
Applications en maladies hépatiques diffuses
En TDM, un algorithme de segmentation automatisée du foie a permis d’estimer son volume avec une distribution normale corrélée au poids des patients, équivalente aux méthodes manuelles. En IRM, une segmentation automatisée a amélioré l’évaluation de la stéatose et de la surcharge en fer, réduisant la variabilité inter-opérateur. La méthode Grad-CAM a identifié des régions clés pour prédire la fibrose : surface hépatique pour les foies sains vs parenchyme et rate en cas de cirrhose. En IRM, la région du lobe caudé s’est avérée critique pour détecter la cirrhose.
Maladies focales et applications thérapeutiques
Dans les lésions focales, un réseau Residual U-Net avec convolution dilatée a atteint une segmentation précise des tumeurs hépatiques. Un réseau 3D multicanal a détecté des lésions focales avec un TVP de 0,6 pour 25 faux positifs/cas, bien que les hémangiomes aient été mal classés en raison de leur rareté dans les données. Un système de diagnostic du carcinome hépatocellulaire (CHC) sur 7512 patients a obtenu des AUC de 0,887 (validation interne) et 0,883 (externe), améliorant significativement l’exactitude diagnostique des radiologues. Un modèle prédictif d’invasion microvasculaire (MVI) a révélé via Grad-CAM des biomarqueurs similaires à ceux décrits dans la littérature.
Planification chirurgicale et suivi thérapeutique
La segmentation vasculaire automatisée par DL (veines portales et hépatiques) a surpassé les méthodes traditionnelles en sensibilité et DSC, facilitant l’estimation du volume hépatique résiduel. Pour le CHC précoce, des nomogrammes intégrant des prédictions DL ont optimisé le choix entre radiofréquence et résection chirurgicale. En post-chimiоembolisation (TACE), les mesures volumétriques automatisées par DL ont corrélé avec les critères RECIST, suggérant leur utilisation comme alternative aux mesures manuelles.
Défis et perspectives
- Besoin de jeux de données volumineux : Les bases publiques manquent souvent de détails démographiques, limitant leur utilité pour certaines tâches.
- Interprétabilité des modèles : L’intégration de connaissances médicales préalables et l’amélioration des explications visuelles (comme Grad-CAM) renforceront la confiance clinique.
- Validation externe multicentrique : Essentielle pour évaluer la généralisation des algorithmes, notamment pour les modèles complexes.
- Standardisation méthodologique : Des lignes directrices spécifiques au DL sont nécessaires pour évaluer les biais et harmoniser les rapports scientifiques, particulièrement pour les modèles prédictifs où les outils d’évaluation traditionnels (ex : ratio événements/variables) ne s’appliquent pas.
Conclusion
Le DL démontre un potentiel remarquable pour l’analyse quantitative d’images et l’aide à la décision clinique. Cependant, la plupart des études actuelles se limitent à des preuves de concept, et la robustesse de ces modèles dans des scénarios cliniques complexes reste à confirmer. Une validation rigoureuse, une meilleure interprétabilité et l’adoption de standards méthodologiques clairs seront déterminantes pour leur intégration en routine clinique.
doi : 10.1097/CM9.0000000000002199