Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images

Les maladies cardiaques demeurent la plus grande menace pour la vie humaine à travers le monde, causant des millions de décès chaque année. Pour comprendre ce qui se passe à l'intérieur d'un cœur qui bat, les médecins s'appuient sur une technique d'imagerie puissante appelée résonance magnétique cardiovasculaire, ou RMC. Contrairement à une radiographie standard qui montre une ombre plate, cette technologie crée des images détaillées et animées du muscle cardiaque, de son action de pompage et de la santé de ses tissus. Elle peut révéler si le muscle cardiaque est épaissi, étiré ou endommagé par un manque de flux sanguin. Cependant, l'interprétation de ces images complexes nécessite un haut niveau de formation spécialisée et des années d'expérience. Un seul examen contient des centaines d'images animées et différents types de données tissulaires, ce qui représente une charge cognitive lourde, même pour le médecin le plus qualifié. Dans de nombreuses parties du monde, il n'y a tout simplement pas assez d'experts disponibles pour interpréter chaque examen avec précision et rapidité. Ce fossé entre le besoin de diagnostic et la disponibilité des experts a poussé les chercheurs à se demander si un ordinateur pourrait apprendre à lire ces images avec le même soin et la même précision qu'un spécialiste humain.

Une équipe de chercheurs de l'Hôpital Universitaire de Münster, en Allemagne, a franchi une étape significative pour répondre à cette question. Ils ont développé un nouveau système d'intelligence artificielle conçu pour examiner les images de RMC et déterminer automatiquement si un patient souffre d'un type spécifique de maladie cardiaque. Plutôt que de construire un programme informatique de toutes pièces, ils sont partis de « modèles de fondation ». Ce sont des systèmes informatiques massifs, pré-entraînés, qui ont déjà appris à reconnaître des motifs dans des millions d'images et de textes. Considérez ces modèles comme un étudiant qui aurait déjà lu tous les livres d'une bibliothèque et vu toutes les images d'une galerie ; le travail des chercheurs consistait simplement à enseigner à cet étudiant comment appliquer ce vaste savoir spécifiquement aux scanners cardiaques. L'équipe s'est concentrée sur cinq catégories distinctes : un cœur sain, et quatre formes courantes de maladie du muscle cardiaque connues sous les noms de cardiomyopathie hypertrophique, cardiomyopathie dilatée, cardiomyopathie ischémique et amylose cardiaque.

Le premier obstacle majeur pour créer un tel outil n'est pas d'apprendre à l'ordinateur à voir, mais de lui apprendre ce qu'il doit chercher. Dans un hôpital typique, les dossiers des patients sont rédigés sous forme de longs paragraphes narratifs par les médecins, décrivant ce qu'ils voient dans les images. Pour entraîner une IA, ces récits doivent être convertis en étiquettes claires, un processus qui nécessite généralement qu'un humain lise des milliers de rapports et saisisse le diagnostic. C'est un processus lent, coûteux et sujet à l'erreur humaine. Les chercheurs ont résolu ce problème en utilisant un autre type d'intelligence artificielle : les grands modèles de langage. Ce sont les mêmes types de systèmes qui peuvent écrire des essais ou répondre à des questions. L'équipe a mis en place un système local sécurisé où ces modèles de langage lisaient les rapports médicaux allemands, les traduisaient en anglais, puis extrayaient le diagnostic spécifique pour chaque patient. Pour garantir l'exactitude, ils ont utilisé trois modèles de langage différents pour lire chaque rapport. Si au moins deux des trois modèles étaient d'accord sur le diagnostic, cette étiquette était acceptée. Ce processus automatisé leur a permis de constituer un ensemble de données massif de près de 1 000 cas de patients sans avoir besoin de l'étiquetage manuel de chaque fichier par un humain.

Une fois les données préparées, les chercheurs se sont tournés vers l'analyse d'images. Ils ont soumis à l'IA trois types différents d'images cardiaques : une vue en axe court qui ressemble à un empilement de tranches à travers le cœur, une vue en quatre cavités qui montre le cœur de côté, et un scanner spécial appelé rehaussement tardif au gadolinium qui met en évidence les tissus cicatriciels ou endommagés. Ils ont affiné trois modèles de fondation de vision différents sur ces données. La première étape de l'entraînement a appris aux modèles à reconnaître les caractéristiques générales du cœur, et la seconde étape a affiné leur capacité à distinguer les cinq catégories de maladies spécifiques. Les chercheurs ont ensuite testé le système sur un groupe totalement distinct de plus de 1 000 patients dont les diagnostics avaient été confirmés par des cardiologues expérimentés. Ce test indépendant a permis de s'assurer que l'IA ne se contentait pas de mémoriser les données d'entraînement, mais apprenait réellement à reconnaître les maladies.

Les résultats ont été frappants. Lorsque l'IA examinait les images seules, elle atteignait un haut niveau de précision dans l'identification des différentes pathologies cardiaques. Pour la maladie connue sous le nom d'amylose cardiaque, le système l'a identifiée correctement dans presque tous les cas, et pour la condition de muscle cardiaque épaissi, il a obtenu un succès similaire. Cependant, les chercheurs ont constaté que le système fonctionnait encore mieux lorsqu'il combinait les informations provenant des trois types d'images et des trois modèles d'IA différents. En laissant les modèles voter sur le diagnostic final, ils ont créé un « consensus » plus fiable que n'importe quel modèle unique de manière autonome. Dans cette approche combinée, le système a atteint sa plus haute précision pour la condition de muscle cardiaque épaissi et l'amylose cardiaque, distinguant correctement ces dernières d'un cœur sain avec un haut degré de confiance. Il a également bien performé sur les deux autres types de maladies, bien qu'il ait trouvé légèrement plus difficile de faire la différence entre un cœur étiré par une maladie et un cœur endommagé par un manque de flux sanguin, car ces conditions peuvent parfois paraître très similaires sur un scanner.

Au-delà de la simple obtention de la bonne réponse, les chercheurs voulaient savoir si l'IA était équitable et si elle regardait les bonnes parties du cœur. Ils ont vérifié la performance du système selon les âges et entre les hommes et les femmes. Les résultats ont montré que l'IA fonctionnait aussi bien pour les deux sexes, bien qu'il y ait une légère variation dans sa performance selon les groupes d'âge. Cela est probablement dû au fait que certaines maladies cardiaques sont beaucoup plus fréquentes chez les adultes plus âgés, rendant les données pour les patients plus jeunes présentant ces conditions spécifiques plus difficiles à apprendre. Pour comprendre ce que l'IA voyait réellement, les chercheurs ont utilisé un outil de visualisation qui mettait en évidence les zones spécifiques de l'image qui influençaient la décision. L'ordinateur concentrait systématiquement son attention sur le muscle cardiaque lui-même, particulièrement le ventricule gauche, et ignorait les structures environnantes. Cela a confirmé que le système prenait ses décisions sur l'anatomie réelle du cœur, plutôt que de deviner en se basant sur des détails de l'arrière-plan sans rapport.

L'étude conclut que cette approche offre une voie viable pour la pratique clinique. En combinant la lecture automatisée de rapports et l'analyse d'images avancée, l'équipe a créé un outil qui pourrait potentiellement soutenir les médecins ne possédant pas des années de formation spécialisée dans la lecture des scanners cardiaques. Le système ne remplace pas le médecin ; il agit plutôt comme une seconde paire d'yeux capable de trier rapidement des données complexes pour suggérer un diagnostic. Les chercheurs reconnaissent que leur travail est une preuve de concept basée sur les données d'un seul hôpital, et que de futures études devront tester le système sur une plus grande variété de patients et avec plus de types de maladies cardiaques. Ils ont également noté que le système actuel repose sur les images seules et n'intègre pas encore d'autres données cliniques comme les analyses de sang ou l'historique du patient. Néanmoins, l'étude démontre qu'avec la bonne combinaison de préparation automatisée des données et d'intelligence artificielle moderne, il est possible de construire un système qui soit précis, interprétable et capable de soutenir l'interprétation correcte des scanners cardiaques dans un cadre clinique.