Utilité des algorithmes basés sur les réseaux de neurones convolutifs dans l’évaluation de la fibrose hépatique par imagerie médicale
La fibrose hépatique constitue un stade critique pouvant conduire à une dysfonction hépatique et joue un rôle majeur dans la progression vers l’hypertension portale, la cirrhose biliaire et le carcinome hépatocellulaire. L’évaluation précise de la fibrose hépatique reste une préoccupation clinique majeure. Historiquement, la biopsie hépatique a été considérée comme la référence pour le diagnostic et la stadification de la fibrose. Cependant, en raison de son caractère invasif, de la variabilité des prélèvements et des interprétations histologiques, cette méthode est mal acceptée par les patients et les cliniciens. Ainsi, des méthodes non invasives basées sur l’imagerie médicale ont été développées, offrant une utilisation pratique et une précision diagnostique acceptable. Le dépistage précoce de la fibrose par imagerie permet de réduire les risques d’insuffisance hépatique et de freiner la progression de la maladie. Traditionnellement, l’analyse des images médicales repose sur l’expertise clinique, mais les avancées en diagnostic assisté par ordinateur, notamment les algorithmes d’apprentissage profond, permettent désormais d’extraire des évaluations plus précises pour la prise de décision clinique.
Les réseaux de neurones convolutifs (CNN) se sont imposés comme une méthode privilégiée pour le traitement d’images médicales dans l’évaluation de la fibrose hépatique, incluant la segmentation, la classification et la prédiction. Les CNN démontrent une robustesse face à l’hétérogénéité des données et une efficacité pour discriminer les stades de fibrose, avec une haute précision diagnostique en classification d’images.
L’objectif principal de cette étude était d’explorer les techniques de base des CNN et les algorithmes récents appliqués à l’évaluation de la fibrose hépatique par imagerie, afin d’améliorer la précision diagnostique. Cela inclut l’extraction de caractéristiques radiographiques, les opérations de convolution, la normalisation et les fonctions d’activation ReLU. Une revue des travaux utilisant les CNN pour la stadification de la fibrose a également été réalisée, ainsi qu’une discussion sur les perspectives des algorithmes d’apprentissage profond dans ce domaine.
Une recherche systématique a été menée sur les bases de données MEDLINE, EMBASE, Chinese Biomedical Literature Database, WANFANG et CNKI, couvrant la période du 1ᵉʳ janvier 1966 au 1ᵉʳ janvier 2020. Les termes de recherche incluaient fibrose hépatique, réseaux de neurones convolutifs et précision diagnostique. Les résumés et textes comports ont été évalués par les chercheurs, avec résolution des conflits par un tiers indépendant. Les critères d’inclusion concernaient des patients âgés de 18 à 65 ans, l’utilisation de CNN pour la stadification de la fibrose et l’évaluation de la précision du modèle via l’AUROC, la sensibilité (SEN), la spécificité (SPE), le taux de faux positifs (FPR) ou de faux négatifs (FNR). Les critères d’exclusion incluaient les pathologies cardiovasculaires graves, les troubles psychologiques et les tumeurs malignes digestives.
Huit études utilisant des CNN pour la stadification de la fibrose ont été identifiées. Une étude portait sur la fibrose liée à la stéatohépatite non alcoolique (NAFLD), les sept autres sur l’hépatite B (HBV).
Liu et al. ont développé un système de diagnostic automatisé de la cirrhose par échographie utilisant un CNN profond (DCNN), atteignant une précision de 0,968. Brattain et al. ont conçu un cadre automatisé d’analyse d’images d’élastographie par ondes de cisaillement (SWE), avec un CNN obtenant une AUROC de 0,890. Byra et al. ont appliqué un modèle Inception-ResNet-v2 pré-entraîné sur ImageNet à l’évaluation de la stéatose hépatique, avec une AUROC de 0,977. Wang et al. ont évalué une approche de radiomique approfondie pour l’élastographie (DLRE), rapportant des AUROC de 0,970 (cirrhose F4), 0,980 (fibrose avancée ≥F3) et 0,850 (fibrose significative ≥F2). Yu et al. ont validé un algorithme basé sur AlexNet-CNN, surpassant les modèles conventionnels. Yasaka et al. ont corrélé les stades de fibrose avec des caractéristiques extraites par DCNN à partir d’images TDM dynamiques. Treacher et al. ont optimisé 100 architectures CNN via une recherche randomisée, démontrant une précision équivalente à l’expertise clinique. Enfin, Gatos et al. ont amélioré l’analyse SWE en isolant des zones de rigidité via un CNN, validant la stabilité temporelle des images.
La couche de convolution, élément central des CNN, extrait les caractéristiques des images via des opérations linéaires et non linéaires, augmentant le niveau sémantique des caractéristiques avec la profondeur du réseau. Un noyau convolutif, appris par rétropropagation, parcourt l’image d’entrée pour générer des cartes de caractéristiques. Celles-ci sont ensuite aplanies en une dimension dans la couche fully connected, reliant les caractéristiques abstraites aux probabilités de classification finale.
La fonction d’activation de la dernière couche (ReLU, sigmoïde ou tanh) influence directement la précision diagnostique. La ReLU assure des valeurs de sortie positives, tandis que la sigmoïde transforme les entrées en probabilités (0 à 1). Les CNN excèlent dans l’extraction automatique de caractéristiques et la réduction de dimensionnalité, révélant des motifs complexes via une architecture inspirée du cortex visuel. Cependant, l’interprétation des neurones et des fonctions non linéaires reste un défi, motivant le développement d’outils explicatifs pour les cliniciens.
doi.org/10.1097/CM9.0000000000001536