Le diagnostic de la santé de la colonne vertébrale bénéficie d'une automatisation par apprentissage profond

Un modèle avancé d'apprentissage profond qui automatise l'analyse des rayons X pour des évaluations plus rapides et plus précises pourrait transformer le diagnostic de la santé de la colonne vertébrale. Capable de traiter même des cas complexes, la recherche promet d'aider les médecins à gagner du temps, à réduire les erreurs de diagnostic et à améliorer les plans de traitement pour les patients souffrant de maladies de la colonne vertébrale comme la scoliose et la cyphose. 

« Bien que l’analyse de l’alignement spinopelvien offre des perspectives prometteuses, les recherches actuelles reposent sur des cohortes de patients relativement petites. L’annotation automatisée pourrait permettre l’analyse de cohortes plus importantes, conduisant à une meilleure compréhension et à une identification plus claire des tendances existantes. Les approches basées sur l’IA peuvent compléter les évaluateurs humains pour une meilleure cohérence dans les évaluations », a déclaré Moritz Jokeit, co-auteur de l’étude et doctorant à l’Institut de biomécanique de l’ETH Zurich.

Réinventer le diagnostic de la colonne vertébrale

La scoliose est l'affection la plus courante de la colonne vertébrale. Environ 7 millions de personnes aux États-Unis et 3 % dans le monde en sont atteintes. Cette maladie et d'autres problèmes de mauvais alignement de la colonne vertébrale provoquent souvent des douleurs, limitent la mobilité et entraînent des complications de santé telles que des problèmes respiratoires, réduisant ainsi la qualité de vie d'une personne. 

Un diagnostic et une surveillance précis sont essentiels pour traiter efficacement les patients. Cependant, les méthodes traditionnelles, telles que les mesures aux rayons X, les évaluations visuelles et le recours à l’expertise clinique, peuvent être laborieuses, lentes et incohérentes.

Les modèles d'IA existants sont confrontés à des cas complexes de désalignement de la colonne vertébrale chez les patients présentant une anatomie atypique. Ces cas peuvent être causés par des maladies congénitales, une intervention chirurgicale, une dégénérescence ou un traumatisme.

Cartographier la colonne vertébrale avec l'IA

L' étude , publiée dans Spine Deformity , aborde ces limitations à l'aide d'une architecture U-Net modifiée, qui utilise une approche de segmentation avancée et identifie les principales structures de la colonne vertébrale. Cette architecture d'IA combine les détails spatiaux avec sa compréhension des relations anatomiques, qu'elle recueille grâce à un entraînement sur des ensembles de données annotées. 

Le modèle analyse les radiographies (rayons X), prises d'avant en arrière et de côté, pour obtenir une vue multivue complète de la courbure et de l'alignement de la colonne vertébrale d'un patient. En trouvant les caractéristiques anatomiques essentielles pour prédire l'alignement de la colonne vertébrale dans les images, telles que les vertèbres, le bassin, les articulations de la hanche et les régions sacrées, il détermine leurs limites et leurs formes. 

Figure 1. Aperçu du pipeline automatique pour les prédictions spinales

Les chercheurs ont formé le modèle à l'aide d'un ensemble de données de 555 radiographies annotées manuellement par des experts médicaux, avec 455 images utilisées pour la formation et 100 pour les tests. Pendant l'inférence, l'initialisation du modèle a pris environ quatre secondes, tandis que la prédiction d'image a pris moins d'une seconde.  

Un GPU NVIDIA RTX A6000 sur le framework d'apprentissage profond TensorFlow accéléré par cuDNN a permis le traitement des images haute résolution et l'entraînement accéléré du modèle. L'équipe a reçu le GPU en tant que lauréat du programme de subventions académiques NVIDIA , qui vise à faire progresser le monde universitaire en fournissant aux chercheurs un accès et des ressources informatiques de classe mondiale.

L'avenir des soins

Les chercheurs ont découvert que le modèle peut prédire avec précision les mesures d'alignement de la colonne vertébrale, même dans les cas difficiles impliquant des anomalies, et il le fait dans différents groupes d'âge et régions de la colonne vertébrale, ce qui signifie qu'il est capable de le faire dans de nombreux cas d'utilisation.

Le modèle d'IA a obtenu des résultats similaires à ceux des experts et a obtenu un score de fiabilité impressionnant de 88 % pour la prédiction de la courbure de la colonne vertébrale. Il a également obtenu de bons résultats avec d'autres mesures de la colonne vertébrale, telles que l'inclinaison du bassin et la pente sacrée, avec des prédictions ne différant en moyenne que de 3,3 degrés par rapport aux mesures manuelles. 

Dans l’ensemble, le système a analysé avec succès les données sur la santé de la colonne vertébrale dans 61 % des cas, certaines mesures affichant une fiabilité quasi parfaite allant jusqu’à 99 %. 

L’étude met en évidence le potentiel de l’IA pour rationaliser les flux de travail cliniques, faire gagner du temps aux médecins en analysant rapidement de grands volumes de radiographies et aider à diagnostiquer les cas difficiles.

Cependant, selon Moritz Jokeit, le modèle doit encore être perfectionné. Les artefacts lumineux sur les rayons X peuvent compromettre la précision de la segmentation chez les patients porteurs d'implants médicaux, tandis que la qualité d'image réduite chez les patients obèses rend plus difficile la distinction entre les structures anatomiques.

Les chercheurs prévoient d'explorer comment d'autres architectures de modèles pré-entraînés, telles que le R-CNN à points clés ou les modes basés sur des transformateurs, étendent l'approche à différents types de rayons X. Ils se concentrent également sur la collecte de davantage de données d'entraînement, en particulier pour les anatomies difficiles et les patients porteurs d'implants.

https://developer.nvidia.com/blog/spinal-health-diagnostics-gets-deep-learning-automation/