Un modèle de deep learning pour identifier le COVID-19 au scanner
MERCREDI 08 AVRIL 2020
Soyez le premier à réagirDans une étude publiée dans la Revue Radiology, un modèle de deep learning semble capable de réaliser un diagnostic différentiel de COVID-19 sur les examens de tomodensitométrie. Ce travail montre surtout que la spécificité du scanner semble améliorée comparativement aux autres études publiées sur ce thème.
La pneumonie due au COVID-19 s'est largement répandue dans le monde depuis le début de 2020, avec un diagnostic préférentiellement obtenu par scanner thoracique. Mais le dépistage par cette voie n’a pas été retenu par manque de spécificité de cet examen pour cette pathologie spécifique.
Un modèle de deep learning pour identifier les lésions de COVID-19
Une étude chinoise publiée le 19 mars 2020 dans la Revue Radiology se propose de développer un cadre entièrement automatique d’Intelligence Artificielle (IA) pour détecter le COVID-19 à l'aide d'une tomodensitométrie thoracique et évaluer ses performances. Dans cette étude rétrospective et multicentrique, un modèle de deep learning, appelé COVNet, a été développé pour extraire les caractéristiques visuelles des scanners thoraciques pour la détection du COVID-19. La pneumonie acquise communautaire (PAC) et d'autres pathologies sans pneumonie ont été incluses pour tester la robustesse du modèle. Les ensembles de données ont été collectés dans 6 hôpitaux entre août 2016 et février 2020. La performance diagnostique a été évaluée par la sensibilité et la spécificité du scanner pour chaque groupe de pathologies.
Des résultats qui améliorent la spécificité du scanner pour le diagnostic différentiel
L'ensemble de données collectées comprenait 4356 examens de scanners thoraciques de 3 322 patients d'âge moyen de 49 (± 15) ans avec un peu plus de patients masculins que de femmes (1838 vs 1484). La sensibilité et la spécificité par examen pour détecter le COVID-19 par cet outil d’IA étaient respectivement de 114 sur 127 (90%) et 294 sur 307 (96%). La sensibilité et la spécificité par examen pour détecter la CAP étaient respectivement de 87% (152 sur 175) et 92% (239 sur 259).
 |
 |
 |
Pour améliorer l'interprétabilité de ce modèle, les chercheurs ont adopté la méthode de Mapping Grad-CAM pour visualiser les régions importantes menant à la décision du modèle de deep learning. Une telle carte thermique est entièrement générée par le modèle sans annotation manuelle supplémentaire. Elle permet d’identifier les régions suspectées dans les images pour le COVID, la PAC et le parenchyme normal. Ces cartes thermiques ont montré que l’algorithme utilisé accordait le plus d'attention aux régions anormales tout en ignorant les régions de type normal, comme le montre l'exemple sans pneumonie.
 |
 |
 |
Les résultats de cette étude ont ainsi montré qu’un modèle de deep learning peut détecter avec précision le COVID-19, avec une spécificité rarement atteinte jusqu’alors, et le différencier de la pneumonie acquise communautaire et d'autres maladies pulmonaires.
Bruno Benque avec RSNA