Intérêt de l'intelligence artificielle dans la stratification du risque cardio-vasculaire en imagerie
L’intelligence artificielle, loin de remplacer le médecin, trouve sa place comme puissant outil de post traitement en imagerie. La stratification du risque cardio-vasculaire est un exemple d’application qui illustre bien comment l’IA transforme profondément les pratiques et améliore le diagnostic pour optimiser la prise en charge personnalisée du patient.
Commençons par le score calcique…
Le score calcique, bien connu de nos confrères cardiologues, est un scanner cardiaque non injecté qui recherche des calcifications cardiaques et évalue ainsi le risque cardio-vasculaire. Cet examen simple est une première étape dans la stratégie de stratification du risque cardio-vasculaire. L’analyse n’est pas forcément complexe mais elle prend du temps et la reproductibilité inter observateur n’est pas toujours optimale en l’absence d’outil dédié. Les algorithmes de Deep Learning appliqués au score calcique permettent de gagner du temps et surtout d’améliorer la fiabilité de l’examen.
Mais le score calcique reste un examen de première intention et il est possible d’aller beaucoup plus loin en IA appliqué à l’imagerie cardio-vasculaire.
Moi vulnérable ?
L’IA peut aussi être utilisée à visée pronostic, notamment pour prévoir la vulnérabilité des plaques coronariennes. Ainsi, le coroscanner, examen reconnu dans l’analyse non invasive des artères coronaires, nécessite un post traitement long et fastidieux qui pourra être facilité par l’IA. La littérature récente nous montre que l’IA est extrêmement efficace, non seulement pour détecter les plaques coronariennes, mais aussi pour les classifier entre plaques calcifiées et non calcifiées. Cette distinction est primordiale puisque les plaques molles non calcifiées sont plus à risque d’évoluer vers un syndrome coronarien aigu grave.
Détection et caractérisation des plaques en coroscanner Opincariu, Diana, et al. “From CT to artificial intelligence for complex assessment of plaque-associated risk.” The International Journal of Cardiovascular Imaging (2020): 1-25.
L’analyse d’autres facteurs pronostic clefs de vulnérabilité des plaques sont possibles. Ainsi, la mesure de FFR-CT (Fractional flow reserve derived from computed tomography), qui évalue le retentissement fonctionnel d’une sténose coronarienne, peut se faire de façon non invasive en coroscanner puis être automatiquement évalué par des algorithmes de machines learning. L’IA permet aussi l’analyse de nouveaux biomarqueurs prédictifs de vulnérabilité de la plaque. Par exemple, le PVAT (Perivascular Adipose Tissue) prend en compte l’environnement de la plaque et non pas seulement l’artère. Enfin, de nouvelles techniques d’imagerie comme le scanner ultra haute résolution ou le spectral-CT permettent d’affiner la composition de la plaque. Les algorithmes d’IA permettent d’en standardiser l’interprétation entre les centres et de gagner en précision. Progressivement, un peu sur le modèle de la génétique ou de l’imagerie moléculaire, l’IA couplé à la radiologie accélère sa mue vers une imagerie non plus seulement anatomique mais fonctionnelle, quantitative et biologique.
Signature radiomics de l’environnement périvasculaire pour prédire le risque cardio-vasculaire Oikonomou, Evangelos K., et al. “A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography.” European heart journal 40.43 (2019): 3529-3543.
Et demain ?
La suite logique de cette mutation est une stratification du risque dite complexe non plus seulement basée sur l’imagerie simple ou la clinique pure, mais sur des scores radio-clinico-biologique interprétés par l’IA. Comment ? D’abord grâce à la radiomics, concept en pleine expansion qui consiste à extraire de nos examens d’imagerie des variables prédictives pertinentes mais pas forcément visibles à l’image. Encore plus précise la radio genomics, couple la radiomics à la génétique pour établir des modèles prédictifs . Nous sommes encore aux préceptes de ces techniques, mais les résultats sont plus qu’encourageants. Par exemple, l’évaluation du risque cardio-vasculaire par le traditionnel score de Framingham n’a, pour Hell et al dans European Heart Journal – Cardiovascular Imaging qu’une précision AUC de 0.61 contre 0,79 pour un score mixte associant 44 variables de coroscanner et 22 variables cliniques. Plus loin, Oikonomou et al à Oxford dans European Heart Journal ont extrait une signature radiomics de l’environnement graisseux coronaire, le fameux PVAT pour stratifier le risque cardiovasculaire, avec succès.
Pour conclure, nous assistons inexorablement, à un glissement de la radiologie traditionnelle vers une imagerie couplée à l’intelligence artificielle dont l’analyse ne sera plus seulement descriptive mais fonctionnelle, quantitative et prédictive. Ces évolutions majeures et structurantes permettront l’intégration de la nouvelle radiologie dans la médecine personnalisée.
Bibliographie sélective :
Hampe, N., Wolterink, J. M., Van Velzen, S. G., Leiner, T., & Išgum, I. (2019). Machine learning for assessment of coronary artery disease in cardiac ct: a survey. Frontiers in cardiovascular medicine, 6, 172.
Hell, M. M., Motwani, M., Otaki, Y., Cadet, S., Gransar, H., Miranda-Peats, R., … & Dey, D. (2017). Quantitative global plaque characteristics from coronary computed tomography angiography for the prediction of future cardiac mortality during long-term follow-up. European Heart Journal-Cardiovascular Imaging, 18(12), 1331-1339.
Opincariu, D., Benedek, T., Chițu, M., Raț, N., & Benedek, I. (2020). From CT to artificial intelligence for complex assessment of plaque-associated risk. The International Journal of Cardiovascular Imaging, 1-25.
Oikonomou, E. K., Williams, M. C., Kotanidis, C. P., Desai, M. Y., Marwan, M., Antonopoulos, A. S., … & Antoniades, C. (2019). A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. European heart journal, 40(43), 3529-3543.