Évaluation des performances d’un système de post-traitement et de rapport diagnostique basé sur l’apprentissage profond pour l’angiographie coronarienne par tomodensitométrie : une étude clinique comparative

L’angiographie coronarienne par tomodensitométrie (CCTA) est devenue une pierre angulaire pour le diagnostic non invasif de la maladie coronarienne (CAD), offrant des informations anatomiques détaillées, en particulier pour le grading des sténoses. Cependant, le post-traitement et l’interprétation des données de CCTA restent laborieux, nécessitant que les professionnels de l’imagerie cardiovasculaire analysent manuellement les images, segmentent les artères coronaires et quantifient les sténoses. En Chine, ce processus prend en moyenne 30 minutes par cas, créant des goulots d’étranglement dans les flux de travail cliniques. Pour relever ces défis, cette étude présente CCTA-AI, un système basé sur l’apprentissage profond conçu pour automatiser le post-traitement et le rapport diagnostique. La recherche évalue deux aspects critiques : les gains d’efficacité offerts par CCTA-AI et sa précision diagnostique par rapport aux méthodes conventionnelles.

Développement et entraînement de CCTA-AI

Le système CCTA-AI a été entraîné sur un ensemble de données de 10 410 cas de CCTA collectés dans 18 hôpitaux, divisés en ensembles d’entraînement (7 287 cas), de réglage (2 082 cas) et de validation (1 041 cas). Un processus d’annotation à plusieurs niveaux a assuré des données d’entraînement de haute qualité :

Contrôle qualité initial : Les cas de mauvaise qualité d’image ont été exclus par des annotateurs juniors (>2 ans d’expérience).
Annotation détaillée : Des annotateurs seniors (>5 ans d’expérience) ont étiqueté l’aorte, les artères coronaires et les plaques athérosclérotiques.
Vérification finale : Des experts (>10 ans d’expérience) ont validé les annotations pour en assurer l’exactitude.

L’algorithme intègre des réseaux de neurones convolutifs (CNN) pour la segmentation des vaisseaux, la détection des plaques et la quantification des sténoses. Le système transforme les données brutes de CCTA en rapports structurés, incluant des reconstructions 3D, des reformations planaires courbes et des pourcentages de sténose, au sein d’une interface unifiée (Figure 1).

Validation clinique : Méthodologie

Cohortes de l’étude

Cohorte de précision diagnostique : 335 patients ont subi à la fois une CCTA et une angiographie coronarienne invasive (ICA) dans les six mois. L’ICA a servi de référence standard.
Cohorte d’efficacité temporelle : 350 cas consécutifs de CCTA ont été analysés pour comparer les durées de traitement entre les workflows manuels et ceux basés sur l’IA.

Protocoles d’imagerie

Les scans CCTA ont été réalisés à l’aide de trois scanners CT :

GE Revolution 256 coupes
Philips Brilliance 128 coupes
GE LightSpeed VCT 64 coupes

Les paramètres incluaient un déclenchement ECG prospectif, une épaisseur de coupe de 0,625 mm et une injection de contraste iodé (5–6 mL/s selon le poids du patient). L’ICA a été réalisée avec un système GE Inova 2100, utilisant un logiciel de quantification coronarienne (QCA) pour mesurer les sténoses.

Workflows de comparaison

Workflow conventionnel : Huit radiographes ont effectué le post-traitement (segmentation des vaisseaux, étiquetage des plaques), suivi du grading des sténoses par quatre radiologues.
Workflow CCTA-AI : Post-traitement et quantification des sténoses entièrement automatisés sans intervention humaine.

Métriques analytiques

Efficacité temporelle : Durées de post-traitement pour les deux workflows.
Performance diagnostique : Sensibilité, spécificité, valeur prédictive négative (VPN), valeur prédictive positive (VPP) et aire sous la courbe ROC (AUC) pour la détection des sténoses ≥50% et ≥70% au niveau du patient, du vaisseau et du segment. Les segments coronariens ont été classés selon le modèle à 18 segments de la Society of Cardiovascular Computed Tomography.

Résultats

Efficacité temporelle

CCTA-AI a réduit considérablement le temps de post-traitement :

Workflow manuel : 160 ± 100 secondes par cas.
CCTA-AI : 40 ± 900 secondes par cas (P < 0,0001).
Le système d’IA a traité avec succès 99,7% des cas, échouant seulement dans un cas en raison d’une origine coronarienne anormale non reconnue pendant l’entraînement.

Précision diagnostique

Analyse au niveau du patient

Sensibilité :
- ≥50% de sténose : CCTA-AI = 89,3% vs. Professionnels = 82,6% (P = 0,019).
- ≥70% de sténose : CCTA-AI = 72,4% vs. Professionnels = 62,0% (P = 0,038).
Spécificité :
- ≥50% de sténose : CCTA-AI = 55,9% vs. Professionnels = 71,2% (P = 0,006).
- ≥70% de sténose : CCTA-AI = 64,5% vs. Professionnels = 85,5% (P < 0,00001).
AUC :
- ≥50% de sténose : CCTA-AI = 0,76 (IC 95% : 0,70–0,81) vs. Professionnels = 0,84 (P = 0,002).

Analyse au niveau du vaisseau

Sensibilité :
- ≥50% de sténose : CCTA-AI = 74,6% vs. Professionnels = 76,8% (P = 0,061).
- ≥70% de sténose : CCTA-AI = 54,7% vs. Professionnels = 57,1% (P = 0,615).
Spécificité :
- ≥50% de sténose : CCTA-AI = 80,8% vs. Professionnels = 90,0% (P < 0,0001).
- ≥70% de sténose : CCTA-AI = 87,8% vs. Professionnels = 95,4% (P < 0,0001).

Analyse au niveau du segment

VPN :
- ≥50% de sténose : CCTA-AI = 93,3% vs. Professionnels = 95,6% (P = 0,003).
- ≥70% de sténose : CCTA-AI = 97,6% vs. Professionnels = 98,2% (P = 0,074).
Spécificité :
- ≥50% de sténose : CCTA-AI = 87,2% vs. Professionnels = 93,7% (P < 0,0001).

Discussion

Efficacité et intégration dans le workflow

La réduction de 75% du temps de traitement par CCTA-AI répond aux inefficacités critiques dans les environnements à fort volume. Sa compatibilité avec les scanners CT de plusieurs fabricants (GE, Philips) souligne sa robustesse, permettant une adoption clinique large.

Performance diagnostique

Bien que CCTA-AI ait démontré une sensibilité supérieure à celle des professionnels, sa spécificité plus faible met en lumière un compromis. La VPN élevée (88,8–97,6%) suggère une utilité pour exclure les sténoses significatives, potentiellement en rationalisant le triage. Au niveau du patient, l’AUC de CCTA-AI (0,76) correspond aux évaluations préliminaires des radiologues mais reste inférieure aux résultats arbitrés, indiquant le rôle de l’IA en tant qu’adjuvant plutôt que comme remplacement.

Défis et limites

Disparités au niveau du segment : La spécificité plus faible au niveau du segment peut provenir des discordances entre la segmentation basée sur des règles de l’IA et les jugements subjectifs humains.
Artéfacts de calcification : Les calcifications importantes, exclues lors de l’analyse, restent un obstacle pour les systèmes automatisés.
Anatomie anormale : L’échec dans un cas souligne le besoin d’étendre les données d’entraînement aux variantes coronariennes rares.

Implications cliniques

Dans les environnements à ressources limitées, CCTA-AI pourrait prioriser les cas nécessitant une revue urgente, réduire la charge de travail des radiologues et accélérer la production de rapports. Ses sorties quantitatives pourraient également atténuer la variabilité inter-observateur, un problème persistant dans le grading des sténoses.

Conclusion

Cette étude valide CCTA-AI comme un outil transformateur pour les workflows de CCTA, offrant des gains de temps significatifs et une détection fiable des sténoses. Bien que la précision diagnostique approche celle des radiologues, sa spécificité plus faible et ses limites au niveau du segment nécessitent une supervision humaine. Les futures itérations pourraient améliorer la spécificité grâce à une caractérisation avancée des plaques et à l’intégration de données hémodynamiques.

doi.org/10.1097/CM9.0000000000001913