AVC ischémique et Intelligence Artificielle
Les AVC ischémiques ont des conséquences graves en matière de morbi-mortalité, tandis que le pronostic est intimement lié au délai de prise en charge. Le machine learning appliqué à la neuroradiologie est désormais largement répandu, tant dans le diagnostic des atteintes chroniques cognitives ou inflammatoires, que dans la pathologie des urgences, notamment les accidents vasculaires cérébraux ischémique ou hémorragiques. Nous allons voir comment les algorithmes peuvent permettre de gagner en temps et en précision, pour mieux guider la prise en charge et améliorer le pronostic.
Détection et triage aux urgences
Assez naturellement, les logiciels d’aide aux diagnostics sont apparus pour les urgences afin de gagner du temps et de diminuer le risque d’erreur, puisque chaque seconde passée détruit des neurones. Le délai de prise en charge influe donc sur les possibilités de traitement du patient.
Ainsi, lorsqu’un scanner sans injection est réalisé, certains algorithmes détectent automatiquement les thrombus hyperdenses ou les signes d’ischémie précoces. Cela permet un tri accéléré des patients aux urgences, des rattrapages du diagnostic, et si nécessaire, une réorientation dans la filière d’urgence neurovasculaire quand les conditions sont réunies. D’autres algorithmes détectent ces lésions ischémiques en IRM de diffusion.
Wang K, et Al. Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke. Stroke. 2020 Feb;51(2):489-497. doi: 10.1161/STROKEAHA.119.027457. Epub 2019 Dec 30. PMID: 31884904; PMCID: PMC7224203.
Figure 1 : L’algorithme de deep learning permet de calculer automatiquement l’étendue de la zone de pénombre en IRM avec séquence d’Arterial Spin Labeling, ce qui guide la prise en charge optimale en urgence.
Assistance à la prise en charge thérapeutique
La prise en charge en urgence du patient dépend fortement (mais pas seulement) des modifications parenchymateuses liées à l’AVC détecté en imagerie. La thrombolyse et la thrombectomie en urgence sont des traitements reconnus pour améliorer le pronostic. Le choix de ces prises en charge repose sur des critères précis, que les algorithmes d’IA aident à analyser : ils peuvent donc avoir une place centrale dans l’aide à la décision.
Ces algorithmes sont ainsi capables de détecter et segmenter les zones d’ischémie sur les IRM de diffusion réalisés en urgence, afin de confirmer le diagnostic, de dater plus précisément l’AVC (en analysant plusieurs séquences d’IRM) et d’évaluer l’étendue des atteintes. Ils peuvent aussi segmenter et calculer automatiquement le volume lésionnel pour affiner le diagnostic.
En plus du volume lésionnel, l’évaluation de la zone de pénombre est un autre paramètre clé dans le choix de la prise en charge. Plusieurs outils existent pour calculer cette zone : soit sur un angioscanner encéphalique de perfusion, ou plus récemment, sur une IRM (figure 1) avec séquence dite ASL (arterial spin labeling), qui permet aussi d’évaluer la zone de pénombre mais sans être irradiant. Le tout en épargnant au maximum la fonction rénale de patients souvent à risque cardiovasculaire élevé (pas d’injection d’iode en ASL). Ces algorithmes aident ainsi l’équipe neurovasculaire à décider de l’éligibilité à une thrombectomie en urgence pour le patient, en fonction des caractéristiques sus-citées.
Etiologie
Des équipes se sont également intéressées à rechercher la cause des AVC grâce aux machine learning, en réalisant une correspondance entre données phénotypiques et imagerie. Ona Wu et Al dans Stroke en 2019 ont ainsi étudié le volume et la topographie des lésions en IRM de diffusion, pour les classer parmi 5 groupes étiologiques différents avec des résultats intéressants. (Figure 2)
Wu, Ona et al.” Stroke vol. 50,7 (2019): 1734-1741. doi:10.1161/STROKEAHA.119.025373
Figure 2 : Un algorithme de machine learning permet de prévoir la cause de l’AVC en fonction de l’aspect et la répartition lésionnelle.
Pronostic multiparamétrique
Le machine learning et la radiomics permettent d’aller encore plus loin. En effet, la quantification de la seule zone de pénombre et du volume lésionnel n’est pas toujours suffisante selon certains auteurs, pour décider de la prise en charge la plus adaptée, et notamment quand c’est indiqué, d’une thrombectomie. L’extraction de biomarqueurs pronostics d’imagerie est possible grâce à la radiomics. Ces variables pertinentes pour la prise en charge mais pas nécessairement visibles, permettent de réaliser un pronostic multiparamétrique plus précis qu’avec des méthodes classiques, telle que la mesure de volume ou de pénombre abordée au-dessus.
Chen, Qian et al. Aging and disease vol. 12,1 143-154. 1 Feb. 2021, doi:10.14336/AD.2020.0421
Figure 3 : Analyse radiomics à visée pronostic d’un AVC ischémique sur une IRM de diffusion (image du bas)
La standardisation de ces approches multiparamétriques est pleine d’opportunités. Elles permettront de guider efficacement la prise en charge et d’évaluer le pronostic avec encore plus de précision, se plaçant ainsi au cœur de la médecine personnalisée de demain.
Bibliographie sélective :
Sheth SA, Lopez-Rivera V, Barman A, Grotta JC, Yoo AJ, Lee S, Inam ME, Savitz SI, Giancardo L. Machine Learning-Enabled Automated Determination of Acute Ischemic Core From Computed Tomography Angiography. Stroke. 2019 Nov;50(11):3093-3100. doi: 10.1161/STROKEAHA.119.026189. Epub 2019 Sep 24. PMID: 31547796.
Wang K, Shou Q, Ma SJ, Liebeskind D, Qiao XJ, Saver J, Salamon N, Kim H, Yu Y, Xie Y, Zaharchuk G, Scalzo F, Wang DJJ. Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke. Stroke. 2020 Feb;51(2):489-497. doi: 10.1161/STROKEAHA.119.027457. Epub 2019 Dec 30. PMID: 31884904; PMCID: PMC7224203.
Waqas M, Vakharia K, Munich SA, Morrison JF, Mokin M, Levy EI, Siddiqui AH. Initial Emergency Room Triage of Acute Ischemic Stroke. Neurosurgery. 2019 Jul 1;85(suppl_1):S38-S46. doi: 10.1093/neuros/nyz067. PMID: 31197342.
Feng R, Badgeley M, Mocco J, Oermann EK. Deep learning guided stroke management: a review of clinical applications. J Neurointerv Surg. 2018 Apr;10(4):358-362. doi: 10.1136/neurintsurg-2017-013355. Epub 2017 Sep 27. PMID: 28954825.
Murray NM, Unberath M, Hager GD, Hui FK. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. J Neurointerv Surg. 2020 Feb;12(2):156-164. doi: 10.1136/neurintsurg-2019-015135. Epub 2019 Oct 8. PMID: 31594798.
Sirsat MS, Fermé E, Câmara J. Machine Learning for Brain Stroke: A Review. J Stroke Cerebrovasc Dis. 2020 Oct;29(10):105162. doi: 10.1016/j.jstrokecerebrovasdis.2020.105162. Epub 2020 Jul 28. PMID: 32912543.
Chen, Qian et al. “Radiomics in Stroke Neuroimaging: Techniques, Applications, and Challenges.” Aging and disease vol. 12,1 143-154. 1 Feb. 2021, doi:10.14336/AD.2020.042
Hofmeister, J., Bernava, G., Rosi, A., Vargas, M. I., Carrera, E., Montet, X., … & Machi, P. (2020). Clot-based radiomics predict a mechanical thrombectomy strategy for successful recanalization in acute ischemic stroke. Stroke, 51(8), 2488-2494.