Selon une nouvelle étude, l’utilisation de l’intelligence artificielle pourrait permettre aux scientifiques de détecter l’arthrite plus tôt.
Un réseau neuronal apprend à différencier les os sains des os enflammés en utilisant les articulations des doigts.
Des chercheurs ont réussi à apprendre à des réseaux neuronaux d’intelligence artificielle à faire la distinction entre deux types d’arthrite et des articulations saines. Le réseau neuronal a été capable de détecter 82 % des articulations saines et 75 % des cas d’arthrite rhumatoïde. Associé à l’expertise d’un médecin, il pourrait conduire à des diagnostics beaucoup plus précis. Les chercheurs prévoient d’approfondir cette approche dans le cadre d’un autre projet.
Cette avancée réalisée par une équipe de médecins et d’informaticiens a été publiée dans la revue Frontiers in Medicine.
Il existe de nombreuses variétés d’arthrite, et il peut être difficile de déterminer quel type de maladie inflammatoire affecte les articulations d’un patient. Dans le cadre d’une recherche interdisciplinaire, des informaticiens et des médecins de la Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) et de l’Universitätsklinikum Erlangen ont appris à des réseaux neuronaux artificiels à faire la distinction entre la polyarthrite rhumatoïde, le rhumatisme psoriasique et les articulations saines.
Dans le cadre du projet financé par le BMBF “Caractérisation moléculaire de la rémission de l’arthrite (MASCARA)”, une équipe dirigée par le professeur Andreas Maier et Lukas Folle de la chaire d’informatique 5 (reconnaissance des formes) et le professeur Arnd Kleyer et le professeur Georg Schett du département de médecine 3 de l’Universitätsklinikum Erlangen a été chargée d’étudier les questions suivantes : L’intelligence artificielle (IA) peut-elle reconnaître différentes formes d’arthrite sur la base des modèles de forme des articulations ? Cette stratégie est-elle utile pour établir des diagnostics plus précis de l’arthrite indifférenciée ? Y a-t-il une partie de l’articulation qui devrait être inspectée plus soigneusement lors d’un diagnostic ?
Actuellement, le manque de biomarqueurs rend difficile la catégorisation correcte de la forme d’arthrite concernée. Les radiographies utilisées pour aider au diagnostic ne sont pas non plus totalement fiables car leur caractère bidimensionnel n’est pas suffisamment précis et laisse place à l’interprétation. À cela s’ajoute la difficulté de placer l’articulation à examiner pour l’imagerie radiographique.
Des réseaux artificiels apprennent en utilisant les articulations des doigts
Pour trouver les réponses à ses questions, l’équipe de recherche a concentré ses investigations sur les articulations métacarpophalangiennes des doigts – des régions du corps qui sont très souvent touchées de manière précoce chez les patients atteints de maladies auto-immunes telles que la polyarthrite rhumatoïde ou le rhumatisme psoriasique. Un réseau de neurones artificiels a été entraîné en utilisant des scans de doigts issus de la tomographie quantitative périphérique à haute résolution (HR-pQCT) dans le but de différencier les articulations “saines” de celles des patients atteints d’arthrite rhumatoïde ou psoriasique.
La HR-pQCT a été choisie car elle est actuellement la meilleure méthode quantitative pour produire des images tridimensionnelles d’os humains à la plus haute résolution. Dans le cas de l’arthrite, les changements dans la structure des os peuvent être détectés avec une grande précision, ce qui permet une classification précise.
Les réseaux neuronaux pourraient permettre un traitement plus ciblé
Un total de 932 nouvelles scintigraphies HR-pQCT provenant de 611 patients a ensuite été utilisé pour vérifier si le réseau artificiel peut réellement mettre en œuvre ce qu’il a appris : Peut-il fournir une évaluation correcte des articulations du doigt précédemment classées ?
Les résultats ont montré que l’IA a détecté 82 % des articulations saines, 75 % des cas de polyarthrite rhumatoïde et 68 % des cas de rhumatisme psoriasique, ce qui représente une probabilité de réussite très élevée sans aucune autre information. Associé à l’expertise d’un rhumatologue, il pourrait conduire à des diagnostics beaucoup plus précis. En outre, lorsqu’on lui a présenté des cas d’arthrite indifférenciée, le réseau a été capable de les classer correctement.
“Nous sommes très satisfaits des résultats de l’étude car ils montrent que l’intelligence artificielle peut nous aider à classifier plus facilement l’arthrite, ce qui pourrait conduire à un traitement plus rapide et plus ciblé pour les patients. Cependant, nous sommes conscients du fait qu’il existe d’autres catégories qui doivent être introduites dans le réseau. Nous envisageons également de transférer la méthode d’IA à d’autres méthodes d’imagerie telles que l’échographie ou l’IRM, qui sont plus facilement disponibles”, explique Lukas Folle.
Les hotspots pourraient permettre des diagnostics plus rapides
Alors que l’équipe de recherche a pu utiliser la tomographie par ordinateur à haute résolution, ce type d’imagerie n’est que rarement disponible pour les médecins en vertu de la loi sur la santé.En raison des contraintes d’espace et de coûts, il n’est pas possible d’effectuer des analyses dans des conditions normales. Cependant, ces nouvelles découvertes restent utiles car le réseau neuronal a détecté certaines zones des articulations qui fournissent le plus d’informations sur un type spécifique d’arthrite, connu sous le nom de “points chauds intra-articulaires”. “À l’avenir, cela pourrait signifier que les médecins pourraient utiliser ces zones comme une autre pièce du puzzle diagnostique pour confirmer les cas suspects”, explique le Dr Kleyer. Cela permettrait d’économiser du temps et des efforts lors du diagnostic, ce qui est déjà possible dans les faits avec l’échographie, par exemple. Kleyer et Maier prévoient d’approfondir cette approche dans le cadre d’un autre projet avec leurs groupes de recherche.
Référence : “Deep Learning-Based Classification of Inflammatory Arthritis by Identification of Joint Shape Patterns-How Neural Networks Can Tell Us Where to ‘Deep Dive’ Clinically” par Lukas Folle, David Simon, Koray Tascilar, Gerhard Krönke, Anna-Maria Liphardt, Andreas Maier, Georg Schett et Arnd Kleyer, 10 mars 2022, Frontières de la médecine.
DOI : 10.3389/fmed.2022.850552
