La splénomégalie caractérisée par une augmentation anormale du volume de la rate, peut résulter de nombreuses maladies, dont infectieuses. Ses symptômes, dont des douleurs abdominales, parfois violentes ou une anémie, peuvent être handicapants voire sévères. L’échographie utilisée en routine clinique pour détecter la maladie n’apporte qu'une précision de 60 à 70%. Cette équipe de l’Université du Winsonsin propose, dans l’American Journal of Roentgenology, un modèle d’IA, qui combiné à la tomodensitométrie, permet une détection plus sensible ainsi qu’une évaluation plus complète de la condition.
L'IA facilite le dépistage opportuniste de la splénomégalie
La détection et l’évaluation d’une splénomégalie passe, au-delà de l'examen clinique, par l'échographie pour mesurer la taille de la rate, cependant cette évaluation n’est pas toujours précise. La tomodensitométrie (CT-scan) et l'IRM peuvent apporter d’autres données sur la consistance de l'organe et les tissus environnants. Cette étude montre qu’un outil automatisé d'IA, précisément d'apprentissage en profondeur, basé sur des seuils volumétriques de la rate eux-mêmes fonction du poids, peut permettre une évaluation complète de la splénomégalie, et cela à partir d’examens CT effectués pour n'importe quelle autre indication.
Un exemple est ici apporté avec le cas clinique d’une femme âgée de 60 ans atteinte de cirrhose et d'hypertension portale, ayant subi une tomodensitométrie pour une évaluation pré-transplantation hépatique…L’utilisation du modèle a permis de détecter la présence d'une splénomégalie.
L’étude est menée auprès de 8.901 patients, âgés en moyenne de 56 ans ayant subi une coloscopie par tomodensitométrie (n = 7 736) ou une tomodensitométrie pour un bilan pré-transplantation (n = 1 165) d'avril 2004 à janvier 2017. Une cohorte secondaire de 104 patients âgés également en moyenne de 56 ans, atteints d'une maladie hépatique en phase terminale a subi une TDM pré-transplantation hépatique de janvier 2011 à mai 2013. L’algorithme, utilisé pour l’évaluation de la rate, afin de déterminer les volumes spléniques,
- a permis de détecter la splénomégalie avec une grande précision ;
- de plus, le volume splénique est le plus fortement associé au poids, parmi toute une gamme de facteurs liés au patient.
L’étude confirme ainsi l’efficacité de cet outil et apporte une nouvelle illustration de l’intérêt de l’IA dans le domaine du diagnostic médical.
Source: American Journal of Roentgenology 29 June, 2023 DOI: 10.2214/AJR.23.29478 Automated Deep Learning Artificial Intelligence Tool for Spleen Segmentation on CT: Defining Volume-Based Thresholds for Splenomegaly
Plus sur l’Intelligence artificielle en Santé
