ERS 2018 — Un algorithme d’apprentissage approfondi classe les fibroses pulmonaires


  • Sarah Stinnissen
  • Actualités des congrès
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

À retenir

  • L’apprentissage approfondi pourrait offrir des diagnostics accessibles et exacts des fibroses pulmonaires.

Pourquoi est-ce important ?

  • Le diagnostic et le pronostic de la fibrose pulmonaire sont essentiels à la gestion des soins aux patients.
  • L’accès à l’expertise en tomodensitométrie à haute résolution (TDM-HR) peut s’avérer difficile pour les centres de soins de santé.
  • L’amélioration de l’exactitude du diagnostic signifie un moins grand nombre de biopsies.

Protocole de l’étude

  • 1 157 examens d’imagerie par TDM-HR montrant une fibrose pulmonaire ont été recueillis auprès de 2 universités italiennes.
  • Les examens d’imagerie ont été classés par catégorie par 1 radiographe, selon les recommandations 2011 de la Société américaine de thoracologie (American Thoracic Society)/la Société respiratoire européenne (European Respiratory Society)/la Société respiratoire japonaise (Japanese Respiratory Society)/l’Association de thoracologie d’Amérique latine (Latin American Thoracic Association) (ATS/ERS/JRS/ALAT) :
    • pneumonie interstitielle habituelle (PIH),
    • PIH possible, et
    • incompatible avec une PIH.
  • L’ensemble de données a été amplifié, ce qui a permis d’obtenir un ensemble de données de 420 096 montages pour l’entraînement de l’algorithme.
  • La performance de l’algorithme a été comparée à l’opinion majoritaire de 91 radiologues thoraciques spécialistes dans 150 cas, en utilisant les recommandations ATS/ERS/JRS/ALAT 2011.
  • L’algorithme a été entraîné à nouveau pour la nouvelle catégorie de PIH probable dans les critères diagnostiques de la Fleischner Society 2018 et a été comparé à l’avis de 4 radiologues spécialistes.
  • Financement : aucun.

Principaux résultats

  • Il a fallu à l’algorithme 1,2 secondes pour examiner 150 cas, avec une exactitude de 73,3 % (contre 70,7 % ± 0,09 % pour les radiologues).
  • Pour distinguer une PIH d’une non-PIH, l’algorithme a classé 28 (96,6 %) des 29 cas correctement (par rapport à la sensibilité médiane des radiologues de 65,5 % ± 31,1 %), la discrimination pronostique étant équivalente à l’opinion majoritaire des radiologues.
  • Le diagnostic de l’algorithme et celui des radiologues utilisant les critères de Fleischner ont montré une bonne concordance (κw = 0,64 ± 0,17).