A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

Le cœur est une pompe infatigable, mais comme toute machine, il peut s'user, surtout lorsqu'il combat le cancer. Les médicaments de chimiothérapie sont des armes puissantes contre les tumeurs, pourtant ils peuvent parfois endommager le muscle cardiaque, un effet secondaire connu sous le nom de cardiotoxicité. Détecter ces dommages précocement est une course contre la montre. Les médecins s'appuient actuellement sur deux méthodes principales pour vérifier la santé du cœur. La première est une mesure de la quantité de sang que le cœur expulse à chaque battement, un indicateur standard qui donne une vue d'ensemble. La seconde est un outil plus sensible qui suit l'étirement et la contraction subtils du muscle cardiaque lui-même, révélant souvent des problèmes avant que la vue d'ensemble ne montre le moindre signe de fatigue. Le défi réside dans le fait que ces signaux sont cachés à l'intérieur d'images complexes et mouvantes du cœur, et repérer les premiers signes d'alerte nécessite souvent l'intervention d'un expert humain pour tracer manuellement les contours du cœur et compter ses battements, un processus lent et sujet à l'erreur humaine.

Une équipe de chercheurs de GE HealthCare a développé un nouveau système informatique conçu pour lire ces vidéos cardiaques avec plus de rapidité et de précision, dans le but de détecter les problèmes avant qu'ils ne deviennent irréversibles. Au lieu d'apprendre à un ordinateur à comprendre les images cardiaques en partant de zéro, ils ont construit leur système sur un modèle de « fondation » massif et pré-entraîné. Considérez ce modèle de fondation comme un étudiant qui a déjà étudié des millions d'images générales et appris à reconnaître les formes, les textures et les motifs. Les chercheurs ont ensuite donné à cet étudiant un cours spécialisé sur les vidéos cardiaques, lui apprenant à se concentrer sur les détails spécifiques nécessaires pour mesurer la fonction cardiaque et prédire les dommages liés aux médicaments. Cette approche a permis au système d'apprendre rapidement et avec précision, même avec un nombre relativement restreint de vidéos de patients disponibles pour l'entraînement.

Les chercheurs ont testé leur système sur trois tâches distinctes en utilisant une large collection de vidéos d'échographie cardiaque provenant de patients à travers l'Europe. La première tâche consistait à calculer le pourcentage de sang que le cœur pompe, un chiffre critique pour diagnostifier l'insuffisance cardiaque. La seconde consistait à classifier si le muscle cardiaque présentait des signes de dysfonctionnement basés sur ses schémas d'étirement. La troisième, et peut-être la plus difficile, était de prédire quels patients développeraient des dommages cardiaques dus à la chimiothérapie avant même de commencer le traitement, en utilisant uniquement leurs scanners cardiaques de référence. Pour gérer ces différents objectifs, le système a utilisé une stratégie ingénieuse où il gardait ses connaissances de base figées tout en ajoutant de petits « adaptateurs » flexibles pour chaque tâche spécifique. Cela signifie que le système pouvait apprendre les indices visuels uniques du volume d'éjection sans les confondre avec les indices de l'étirement musculaire, garantissant ainsi que chaque tâche soit effectuée avec une grande précision.

Une innovation clé de ce travail réside dans la manière dont le système gère le rythme du battement cardiaque. Dans une approche traditionnelle, un ordinateur pourrait avoir besoin qu'on lui indique exactement quand le cœur est complètement relâché et quand il est complètement contracté pour effectuer une mesure. Ce nouveau système, cependant, a appris à comprendre le rythme du cœur par lui-même. Il a pu déduire les informations de synchronisation nécessaires directement à partir du contenu visuel de la vidéo, sans avoir besoin d'étiquettes externes ou de marquages manuels pour lui indiquer le début et la fin d'un battement. Cela a rendu le système beaucoup plus robuste et pratique pour une utilisation réelle, là où ces étiquettes manuelles précises font souvent défaut. Pour la tâche spécifique de la mesure du volume d'éjection, l'équipe a également créé un modèle séparé et spécialisé qui combine le mouvement complet de la vidéo avec un regard focalisé sur les moments les plus critiques de relaxation et de contraction du cœur, imitant la façon dont un médecin humain pourrait comparer mentalement l'état du cœur à différents moments.

Les résultats de l'étude ont montré que cette nouvelle approche fonctionnait remarquablement bien. Pour mesurer le volume de pompage du cœur, le système a atteint une erreur moyenne d'à peine cinq pour cent, et le modèle spécialisé a amélioré ce résultat à moins de cinq pour cent, un niveau de précision qui rivalise avec celui des experts humains. Lorsqu'il s'agissait de détecter un dysfonctionnement musculaire subtil, le système a identifié correctement le problème dans près de 77 pour cent des cas. Plus notablement, pour prédire les dommages cardiaques précoces causés par la chimiothérapie, la capacité du système à identifier les patients à risque s'est considérablement améliorée, classant correctement les patients par niveau de risque dans plus de 70 pour cent des cas, un bond substantiel par rapport aux méthodes précédentes. Ces découvertes suggèrent qu'en exploitant de puissantes connaissances visuelles pré-entraînées et en les adaptant soigneusement aux besoins médicaux, les ordinateurs peuvent devenir des alliés puissants pour protéger les patients cancéreux contre les dommages cardiaques, offrant un moyen d'intervenir tôt et potentiellement de sauver des vies.