Skip links

A quoi sert l’IA dans le scanner thoracique réalisé pour la Covid-19 ?

A quoi sert l’IA dans le scanner thoracique réalisé pour la Covid-19 ?

par le Dr Alexis DELEMAR, co-fondateur de Cleverdoc.

Une recherche sur Pubmed avec les mots clefs suivants “machine learning “, “artificial intelligence”, “CNN “, « Deep Learning » ainsi que “Covid-19” et  “CT” retrouve 217 résultats d’articles scientifiques avec comité de lecture. Cette revue de la littérature simplifiée donne un aperçu plus précis des applications de l’IA dans le scanner thoracique du Covid-19.  D’après nos sources (voir bibliographie à la fin de l’article), nous pouvons les classer en 3 grandes catégories de complexité croissante.

1. Détection

Les premiers travaux d’intelligence artificielle (IA) appliquée au scanner thoracique dans la Covid-19 ont assez naturellement concernés l’aide au diagnostic. Le principe est de montrer que l’IA peut non seulement aider à la détection de ces pneumopathies à Covid-19 mais aussi et surtout parvenir à les différencier spécifiquement des autres causes de pneumopathies détectées au scanner (Li et al., 2020Bai et al ., 2020). Le scanner a aussi été très utile dans la stratégie de dépistage avec une sensibilité rapporté par certaines équipes à 97% (Ai et al., 2020) ce qui en fait un outil efficace en complément des test PCR notamment dans le cadre des bilans pré chirurgicaux afin de ne pas méconnaitre un Covid faux négatif PCR qui décompenserait dans les suites opératoires.

Source : Li L., Qin L., Xu Z., et al. (2020). Radiology

2. Quantification 

La seconde grande application de l’IA dans les scanners Covid-19 est l’aide à la quantification des lésions par des outils d’aide à la segmentation qui accélère la volumétrie des lésions. Ce calcul de volumétrie joue un rôle majeur dans l’évaluation de la gravité et la classification des patients en différents stades selon l’étendue des lésions de “minime” à “critique”. La volumétrie est chronophage et parfois complexe à réaliser. Les outils IA d’aide à la segmentation permettent ainsi d’accélérer et fiabiliser le tri des patients (Lessmann et al., 2020) pour décider plus efficacement de la bonne prise en charge médicale. Nous sommes ainsi, non seulement devant un cas d’usage de l’IA pour de l’automatisation de tâche, mais aussi et surtout devant un usage de l’IA à visée pronostic. Et si la première (automatisation) fait beaucoup parler la presse grand public, c’est surtout la seconde qui devrait être analysée. En effet grâce à l’intégration de multiples variables l’IA élargit le champ des possibles dans la médecine personnalisée dans des proportions encore très largement sous estimées. Ainsi l’institut Gustave Roussy a développé plusieurs algorithmes de quantification automatisée des lésions pulmonaires au scanner couplé à des données cliniques et biologiques pour prévoir le risque d’hospitalisation des patients (Lassau et al., 2020).

3. Radiomics

Il s’agit de l’extraction de multiples variables tirées d’images médicales, grâce à des algorithmes, afin de découvrir de nouveaux biomarqueurs utiles au diagnostic de précision.

Dans une publication du European Journal of Radiology, il s’agit par exemple de différencier le verre dépoli pulmonaire (signe sensible mais non spécifique) des patients Covid 19 positif Vs non Covid-19 et ainsi diminuer le risque d’erreur diagnostique. Autre exemple, l’analyse de variables non visibles par l’œil humain mais pourtant tirée du scanner thoracique permet de monitorer l’état du patient en diminuant le recours aux examens invasifs.

Au final l’intelligence artificielle, loin de se limiter à la simple détection automatique de la Covid-19, permet d’accélérer et de fiabiliser la quantification des lésions pour trier et stratifier les groupes de patients à risques. Elle annonce aussi l’avènement de la médecine personnalisée grâce à la radiomics qui isole de nouveaux biomarqueurs permettant de mieux caractériser les lésions et donc de  traiter le patient avec précision.

Réferences

1 Li L, Qin L, Xu Z, et al. Using Artificial Intelligence to Detect COVID-19 and Community-acquired Pneumonia Based on Pulmonary CT: Evaluation of the Diagnostic Accuracy. Radiology. 2020;296(2):E65-E71. doi:10.1148/radiol.2020200905

2 Bai HX, Wang R, Xiong Z, et al. Artificial Intelligence Augmentation of Radiologist Performance in Distinguishing COVID-19 from Pneumonia of Other Origin at Chest CT. Radiology. 2020;296(3):E156-E165. doi:10.1148/radiol.2020201491

3 Ai T, Yang Z, Hou H, et al. Correlation of Chest CT and RT-PCR Testing for Coronavirus Disease 2019 (COVID-19) in China: A Report of 1014 Cases. Radiology. 2020;296(2):E32-E40. doi:10.1148/radiol.2020200642

4 Cai W, Liu T, Xue X, et al. CT Quantification and Machine-learning Models for Assessment of Disease Severity and Prognosis of COVID-19 Patients [published online ahead of print, 2020 Sep 21]. Acad Radiol. 2020;S1076-6332(20)30543-2. doi:10.1016/j.acra.2020.09.004

5 Lessmann N, Sánchez CI, Beenen L, et al. Automated Assessment of CO-RADS and Chest CT Severity Scores in Patients with Suspected COVID-19 Using Artificial Intelligence [published online ahead of print, 2020 Jul 30]. Radiology. 2020;202439. doi:10.1148/radiol.2020202439

6 Nathalie Lassau, Samy Ammari, Emilie Chouzenoux, Hugo Gortais, Paul Herent, et al.. AI-based multi-modal integration (ScanCov scores) of clinical characteristics, lab tests and chest CTs improves COVID-19 outcome prediction of hospitalized patients. [Research Report] Inria Saclay Ile de France. 2020. ⟨hal-02586111v3⟩

7 Xie C, Ng MY, Ding J, et al. Discrimination of pulmonary ground-glass opacity changes in COVID-19 and non-COVID-19 patients using CT radiomics analysis. Eur J Radiol Open. 2020;7:100271. doi:10.1016/j.ejro.2020.100271

8 Chen Y, Wang Y, Zhang Y, et al. A Quantitative and Radiomics approach to monitoring ARDS in COVID-19 patients based on chest CT: a retrospective cohort study. Int J Med Sci. 2020;17(12):1773-1782. Published 2020 Jul 6. doi:10.7150/ijms.48432