Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

La tuberculose demeure l'une des maladies infectieuses les plus persistantes et les plus meurtrières de la planète, causant plus d'un million de décès chaque année. Bien que la médecine moderne ait développé des moyens pour traiter la maladie, une menace croissante plane : les souches résistantes aux médicaments. Il s'agit de bactéries qui ont appris à survivre aux médicaments standards utilisés pour les tuer. Identifier ces souches résistantes rapidement est une course contre la montre. Si un patient est infecté par une version résistante aux médicaments mais qu'il est traité avec des médicaments standards, la maladie continue de se propager et l'état du patient s'aggrave, menant souvent à la mort. Le diagnostic actuel de référence consiste à prélever un échantillon et à le tester en laboratoire pour voir quels médicaments fonctionnent, mais ce processus peut prendre des semaines. Dans le monde des maladies infectieuses, des semaines peuvent faire la différence entre le confinement et une épidémie généralisée.

Les chercheurs soupçonnent depuis longtemps que les motifs visibles sur une radiographie pulmonaire pourraient contenir des indices permettant de déterminer si un patient présente une souche résistante aux médicaments. Une radiographie pulmonaire est une image simple et largement disponible qui montre les poumons. Bien qu'un médecin humain examine ces images pour voir si les poumons sont infectés, il ne peut pas facilement distinguer une infection standard d'une infection résistante aux médicaments simplement en regardant. Cependant, l'œil humain n'est pas le seul outil capable de percevoir des motifs. Une nouvelle étude a exploité la puissance de l'intelligence artificielle pour examiner ces images d'une manière qui dépasse les capacités humaines, visant à détecter les signes subtils de résistance aux médicaments immédiatement après l'arrivée d'un patient en clinique.

Une équipe de chercheurs s'est donné pour mission de construire un système informatique capable de servir de signal d'alerte précoce. Ils n'ont pas créé une nouvelle machine ou un nouveau type de scanner. Au lieu de cela, ils ont utilisé une vaste collection d'images de radiographies pulmonaires existantes et les dossiers médicaux confirmés des patients qui les avaient passées. Ces données provenaient d'un projet mondial appelé TB Portals, qui rassemble des informations sur les patients tuberculeux à travers le monde. Les chercheurs ont sélectionné plus de 7 000 images de patients d'Europe de l'Est et d'Asie centrale, s'assurant d'avoir un dossier clair indiquant si chaque patient présentait une souche sensible aux médicaments ou une souche résistante. Ils ont divisé ces données en groupes : un groupe pour enseigner à l'ordinateur, un pour vérifier ses progrès, et un groupe final pour tester ses compétences finales, un peu comme un étudiant passant un examen blanc avant le véritable examen.

Pour construire leur système, les chercheurs ne se sont pas appuyés sur un seul programme informatique. Au lieu de cela, ils ont créé un ensemble, qui est une équipe de différents modèles d'intelligence artificielle travaillant ensemble. Ils ont entraîné trois modèles d'apprentissage profond distincts — des programmes informatiques complexes conçus pour reconnaître des motifs dans les images — sur les radiographies pulmonaires. Ces modèles ont appris à identifier des milliers de détails minuscules dans les images des poumons que l'œil humain pourrait manquer. En parallèle, l'équipe a utilisé une méthode différente appelée radiomique, qui décompose une image en centaines de caractéristiques mathématiques mesurables, telles que la texture et la forme. Ils ont également inclus des informations de base sur les patients, telles que l'âge, le sexe et la présence d'autres problèmes de santé comme le diabète ou le VIH.

Les chercheurs ont ensuite combiné les enseignements de toutes ces différentes sources. Ils ont pris les prédictions des trois modèles de lecture d'images, l'analyse radiomique et les données de santé de base du patient, puis les ont injectées dans un classificateur final d'apprentissage automatique. Cette étape finale a agi comme un juge, pesant tous les éléments de preuve pour produire un score de probabilité unique. Ce score représentait la probabilité que le patient soit atteint d'une forme de tuberculose résistante aux médicaments. Le système a été conçu pour être un garde-barrière, une première ligne de défense capable de signaler les patients à haut risque pour un test et un traitement spécialisés immédiats, plutôt que d'attendre les résultats lents du laboratoire.

Lorsque l'équipe a testé son modèle final sur des données qu'il n'avait jamais vues auparavant, les résultats ont été prometteurs. Le système a distingué correctement les cas résistants aux médicaments et les cas sensibles aux médicaments avec un haut degré de précision. Dans le groupe de test, le modèle a obtenu un score indiquant qu'il pouvait séparer de manière fiable les deux groupes, performant de manière nettement supérieure à l'utilisation des seules informations cliniques. Le modèle ne devinait pas au hasard ; il montrait un motif clair. Les patients qui présentaient ultérieurement la forme la plus grave de résistance aux médicaments, connue sous le nom de tuberculose multirésistante (ou extensivement résistante), ont reçu des scores de risque plus élevés de la part du modèle que ceux présentant une résistance moins sévère. Cela suggère que le système était assez sensible pour détecter l'intensité de la résistance, et pas seulement sa présence.

Les chercheurs ont également examiné la manière dont le modèle prenait ses décisions pour s'assurer qu'il regardait les bons éléments. En utilisant une technique qui met en évidence les parties d'une image qui ont influencé le choix de l'ordinateur, ils ont constaté que le modèle concentrait son attention sur les champs pulmonaires, exactement là où un médecin regarderait. Il identifiait des taches sombres et des changements structurels au sein des poumons qui sont caractéristiques de la maladie. Cependant, l'étude a également révélé une limite. La performance du modèle a chuté lorsque les patients présentaient d'autres problèmes de santé, tels que l'anémie ou le VIH. Cela indique que, bien que le système soit puissant, d'autres maladies dans les poumons peuvent confondre le motif qu'il tente de trouver, rendant le diagnostic plus difficile chez les patients présentant des problèmes de santé multiples.

L'étude conclut que les radiographies pulmonaires, lorsqu'elles sont analysées par ce type spécifique d'intelligence artificielle, peuvent fournir une estimation rapide et significative du risque de résistance aux médicaments. Les auteurs précisent avec prudence que ce système n'est pas un remplacement des tests de laboratoire qui confirment quels médicaments spécifiques seront efficaces. Au lieu de cela, il sert d'outil de dépistage puissant. Dans une clinique très fréquentée, particulièrement dans les zones où l'équipement de laboratoire avancé est rare, cet outil pourrait aider les médecins à décider quels patients nécessitent des soins spécialisés urgents immédiatement. En identant les cas les plus dangereux tôt, le système offre un moyen de commencer le bon traitement plus rapidement, permettant potentiellement de sauver des vies et d'arrêter la propagation de ces bactéries difficiles à traiter avant qu'elles ne causent d'autres dommages. Ce travail démontre qu'avec les bonnes données et une approche collaborative entre différents types de modèles informatiques, nous pouvons extraire de nouveaux enseignements vitaux à partir d'images qui sont prises depuis des décennies.