SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

Le système nerveux humain est un réseau vaste et complexe, et lorsqu'il dysfonctionne, les conséquences peuvent être profondes. Deux de ces conditions, la sclérose en plaques et la myélite, impliquent une inflammation et des dommages à la couche protectrice des fibres nerveuses, créant des lésions qui perturbent la communication au sein du corps. La sclérose en plaques se présente souvent sous la forme de petites taches éparses et localisées, tandis que la myélite peut provoquer de longues zones continues d'inflammation. Distinguer l'une de l'autre est vital pour le traitement, mais c'est une tâche difficile pour les médecins examinant les images médicales. Ces images, connues sous le nom d'imagerie par résonance magnétique ou scanners IRM, capturent le corps en tranches fines sous différents angles. Parfois, la différence entre les deux maladies est subtile, cachée dans la texture d'un petit point ou dans la façon dont une lésion s'étire à travers une tranche. De plus, l'orientation du scanner — qu'il regarde le corps de côté ou par le haut — modifie l'apparence de l'anatomie, ajoutant une autre couche de complexité au diagnostic.

Pour aider les médecins à naviguer dans cette complexité, les chercheurs se sont tournés vers l'intelligence artificielle, et plus précisément vers un domaine appelé l'apprentissage profond (deep learning). Ces systèmes informatiques sont conçus pour apprendre des modèles à partir de vastes quantités de données, tout comme un étudiant apprenant d'un manuel, mais ils le font en ajustant des millions de paramètres internes pour reconnaître des caractéristiques visuelles. Le défi a été de construire un système capable de voir à la fois les détails fins d'une lésion et le contexte plus large de l'anatomie environnante, tout en comprenant l'angle sous lequel l'image a été prise. Si un ordinateur peut apprendre à combiner ces différentes perspectives, il pourrait offrir un second avis plus fiable pour les cas difficiles.

Une équipe de chercheurs de diverses universités de Turquie a développé une nouvelle approche à ce problème, créant un système qu'ils appellent SpineFusion. Leur travail se concentre sur l'apprentissage d'un ordinateur pour examiner des scanners IRM de la colonne vertébrale et du cerveau, afin d'identifier si un patient est en bonne santé ou souffre de sclérose en plaques ou de myélite. Les chercheurs n'ont pas simplement entraîné un programme informatique standard ; ils ont construit un système à double moteur qui imite la façon dont un expert humain pourrait examiner une image. Une partie du système est conçue pour repérer les détails locaux, tels que la texture spécifique d'une petite lésion, tandis que l'autre partie observe l'ensemble du tableau, comprenant la forme globale et le contexte de la moelle épinière ou du cerveau. Crucialement, ces deux parties ne travaillent pas de manière isolée. Elles échangent constamment des informations, la partie focalisée sur les détails demandant de l'aide à la partie focalisée sur le contexte, et vice versa. De plus, le système se voit explicitement indiquer s'il regarde une vue latérale ou une vue de dessus du corps, une information qui l'aide à interpréter correctement les données visuelles.

Les chercheurs ont testé ce nouveau système sur trois collections différentes d'images médicales publiques. La première collection contenait près de 2 800 images de moelle épinière, étiquetées comme saines, atteintes de sclérose en plaques ou de myélite. Le deuxième ensemble comprenait plus de 3 400 images de cerveaux, distinguant les individus sains de ceux souffrant de sclérose en plaques. Le troisième ensemble, le plus grand, contenait presque 12 000 images couvrant huit différentes conditions neurologiques, allant de la maladie d'Alzheimer aux tumeurs cérébrales. Dans chaque cas, le système a été entraîné et testé séparément, garantissant que les connaissances acquises d'un ensemble d'images ne s'infiltraient pas dans le test d'un autre.

Les résultats ont montré que le système était hautement efficace dans sa tâche. Sur les images de la colonne vertébrale, il a correctement identifié la condition dans environ 95 % des cas. Sur les images du cerveau, il a atteint une AUC de près de 0,98, et sur le grand ensemble complexe de huit maladies différentes, il a atteint une AUC de plus de 0,99. Cependant, les chercheurs ont pris soin de ne pas prétendre qu'il s'agissait d'une solution parfaite. Lorsqu'ils ont comparé leur nouveau système aux méthodes plus anciennes qui avaient précédemment rapporté des scores élevés, ils ont constaté que leur approche ne surpassait pas nécessairement les meilleurs chiffres existants. En fait, la partie de leur système dédiée à la détection des détails locaux était déjà si forte par elle-même que l'ajout du contexte global et de l'information sur l'angle n'a amélioré les résultats que d'une infime fraction. Cela suggère que pour ce type spécifique d'image de la colonne vertébrale, la capacité à voir la texture fine est le facteur le plus important, et que la complexité ajoutée de la combinaison des vues n'offre qu'un bénéfice marginal.

L'étude a également mis en évidence les domaines où le système éprouve encore des difficultés. Les erreurs les plus fréquentes se sont produites lorsque l'ordinateur a confondu la sclérose en plaques avec la myélite, deux conditions cliniquement similaires et souvent difficiles à distinguer, même pour les experts humains. Les chercheurs ont également noté une limitation significative dans leurs données : les images provenaient d'archives publiques qui n'incluaient pas toujours des étiquettes claires reliant plusieurs coupes au même patient. Cela signifie que des coupes provenant de la même personne auraient pu se retrouver à la fois dans les groupes d'entraînement et de test, ce qui pourrait faire paraître le système plus précis qu'il ne l'est réellement face à un nouveau patient. C'est pourquoi les chercheurs ont souligné que leurs conclusions sont une preuve de concept plutôt qu'un outil médical prêt à l'emploi.

En fin de compte, ce travail démontre qu'il est possible de construire un modèle d'apprentissage automatique qui comprend à la fois les détails locaux et le contexte global des images médicales, et qu'il peut utiliser l'orientation du scanner pour améliorer son jugement. Le système a réussi à apprendre à fusionner ces différents types d'informations, créant un cadre robuste pour l'analyse des scanners IRM. Bien que les résultats actuels soient prometteurs, les chercheurs concluent qu'avant qu'un tel outil puisse être utilisé pour aider les patients, il doit être testé sur des données où chaque coupe est soigneusement regroupée par patient afin de garantir que le système apprend véritablement la maladie et ne se contente pas de mémoriser les images spécifiques qu'il a vues. La voie à suivre consiste à affiner ces modèles et à les valider dans des contextes cliniques réels, là où les enjeux sont élevés et où le besoin de précision est absolu.