Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study

Lorsqu'un vaisseau sanguin éclate à l'intérieur du cerveau, le saignement qui en résulte est une urgence médicale qui frappe sans prévenir. Cet événement, connu sous le nom d'hémorragie intracérébrale spontanée, est une cause majeure de décès et de handicap à long terme dans le monde entier. Dans les heures et les jours qui suivent un tel événement, les médecins sont confrontés à une tâche difficile : prédire la qualité de la récupération d'un patient. Pour porter ces jugements, les cliniciens s'appuient sur deux sources principales d'information. Premièrement, ils examinent des scanners de tomodensitométrie sans injection, qui sont des images de rayons X rapides montrant la taille et la localisation du saignement. Deuxièmement, ils évaluent le niveau de conscience du patient à l'aide d'un système de notation standard appelé l'échelle de coma de Glasgow, qui mesure la capacité d'une personne à ouvrir les yeux, à parler et à réagir à des ordres. Bien que ces outils soient essentiels, les médecins humains doivent les interpréter de manière subjective, en pesant les preuves visuelles du saignement par rapport à l'état mental du patient. Ce processus peut varier d'un spécialiste à l'autre, et la complexité du cerveau cache souvent des motifs subtils que l'œil humain pourrait manquer.

Une équipe de chercheurs de l'hôpital central de Longgang à Shenzhen a cherché à voir si l'intelligence artificielle pouvait améliorer ces prédictions. Ils se sont concentrés sur une question spécifique : un programme informatique, entraîné à examiner les scanners cérébraux et les scores des patients, pourrait-il prédire le résultat fonctionnel d'un patient au moment de sa sortie de l'hôpital mieux qu'un neurochirurgien humain ? L'équipe n'a pas seulement construit un type de modèle informatique ; elle en a construit deux. Un modèle examinait les scanners cérébraux comme une série de coupes bidimensionnelles individuelles, un peu comme si l'on feuilletait les pages d'un livre. L'autre modèle considérait l'ensemble du cerveau comme un volume tridimensionnel unique, traitant le scanner comme un objet solide. Les deux modèles ont été conçus pour combiner les données visuelles des scanners avec les données cliniques de l'admission du patient, spécifiquement le score de l'échelle de coma de Glasgow. L'objectif était de voir si ces outils numériques pouvaient déceler le lien entre les dommages physiques dans le cerveau et la probabilité de récupération du patient, et de déterminer si une approche plus simple, coupe par coupe, pouvait être aussi performante que l'approche tridimensionnelle plus complexe.

Les chercheurs ont recueilli les données de 286 patients ayant subi une hémorragie cérébrale spontanée et ayant été traités dans leur hôpital entre 2013 et 2021. Pour chaque patient, ils ont collecté le scanner cérébral réalisé dans les 24 heures suivant l'événement et le score de l'échelle de coma de Glasgow enregistré lors de l'admission. Ils ont ensuite divisé les patients en groupes pour entraîner et tester leurs modèles informatiques. L'équipe a également recruté trois neurochirurgiens de différents niveaux d'expérience pour servir de référence humaine. Ces médecins ont été invités à prédire l'issue pour une sélection de patients en se basant sur les mêmes scanners cérébraux et scores cliniques fournis aux ordinateurs. Pour garantir une comparaison équitable, on ne montrait aux médecins que les coupes spécifiques du scanner contenant le saignement, plutôt que la série complète d'images qu'ils examineraient normalement dans un cadre hospitalier. Cela a créé un environnement contrôlé où les humains et les machines travaillaient avec exactement les mêmes informations.

Les résultats ont montré que les modèles informatiques étaient très efficaces pour prédire les résultats. Le modèle qui examinait le cerveau comme une série de coupes bidimensionnelles, combiné au score de l'échelle de coma de Glasgow du patient, a atteint une précision de 90,3 pour cent. Cela signifie que dans plus de neuf cas sur dix, le modèle a correctement prédit si un patient aurait un résultat fonctionnel favorable ou défavorable lors de sa sortie. Le modèle tridimensionnel, qui analysait l'ensemble du volume cérébral ainsi que des informations cliniques plus détaillées, a obtenu des résultats légèrement différents, atteignant une précision de 90,6 pour cent. Statistiquement, il n'y avait pas de différence significative entre les deux modèles informatiques ; les deux étaient remarquablement précis. Cependant, les deux systèmes d'intelligence artificielle ont surpassé les neurochirurgiens humains. Même le médecin le plus expérimenté de l'étude n'a pas pu égaler la constance et la précision des modèles informatiques. L'étude a également révélé que l'ajout du score de l'échelle de coma de Glasgow à l'analyse d'image était crucial. Une version du modèle bidimensionnel qui ne regardait que les images sans le score clinique était moins précise, tombant à 81,0 pour cent. Cela suggère que l'ordinateur avait besoin du contexte humain du niveau de conscience du patient pour réaliser ses meilleures prédictions.

L'une des découvertes les plus surprenantes fut que le modèle bidimensionnel, plus simple, était tout aussi performant que le modèle tridimensionnel, plus complexe. L'approche tridimensionnelle nécessitait plus de puissance de calcul et des données plus détaillées, pourtant elle n'offrait pas une meilleure prédiction que la méthode basée sur les coupes. Cela indique que, pour cette tâche médicale spécifique, une architecture moins complexe pourrait être préférable, surtout lorsqu'on traite des quantités de données limitées. Les chercheurs ont noté que les modèles tridimensionnels sont souvent plus sujets aux erreurs lorsque l'ensemble de données est restreint, tandis que l'approche bidimensionnelle est restée robuste. L'étude a également souligné que, bien que les ordinateurs soient excellents pour trouver des motifs, ils ne remplaçaient pas les médecins. Les modèles ont été conçus pour assister, et non pour prendre le relais. Les médecins humains de l'étude travaillaient dans un cadre d'examen contraint, examinant des images isolées plutôt que le tableau clinique complet qu'ils verraient dans la vie réelle, ce qui a pu les désavantager par rapport aux ordinateurs qui traitent toutes les données à la fois.

Les chercheurs ont pris soin de souligner les limites de leurs travaux. Comme l'étude a été menée dans un seul hôpital et portait sur des dossiers passés, les résultats doivent être testés dans des études prospectives plus larges, sur plusieurs centres, pour s'assurer qu'ils s'appliquent à tous les patients. Les prédictions faites par les modèles concernaient l'issue à court terme au moment de la sortie, et non la récupération à long terme des mois ou des années plus tard. De plus, l'étude a confirmé que, bien que les modèles soient puissants, ils sont des outils destinés à soutenir la prise de décision clinique, et non à remplacer le jugement d'un spécialiste humain. L'objectif ultime est de fournir aux médecins un second avis fiable qui puisse les aider à faire des choix plus éclairés pour les patients confrontés à une hémorragie cérébrale engageant le pronostic vital. En combinant les preuves visuelles du scanner avec la réalité clinique de l'état du patient, ces outils numériques offrent une nouvelle façon de comprendre la gravité de la blessure et la trajectoire probable de la récupération.