Early Diagnosis of Ischemic Stroke on Non-Contrast CT Scans Using a Convolutional Neural  Network: A Case Study from Mulago National Referral Hospital, Uganda

Résumé Technique : Diagnostic précoce de l'AVC ischémique sur des scanners sans injection de produit de contraste à l'aide d'un CNN en Ouganda

Énoncé du problème
Dans les pays à revenu faible et intermédiaire (PRFI), particulièrement en Ouganda, le diagnostic de l'accident vasculaire cérébral (AVC) ischémique est fréquemment retardé en raison de la rareté des radiologues spécialistes. Bien que la tomodensitométrie sans injection de produit de contraste (TDM sans injection) soit la modalité d'imagerie la plus largement disponible pour les suspicions d'AVC, la détection des changements ischémiques précoces sur ces scanners est complexe et nécessite généralement une interprétation expérimentée. Dans les hôpitaux publics comme le Mulago National Referral Hospital, des délais de compte rendu de trois à cinq jours sont courants, car les radiologues donnent la priorité aux traumatismes et autres urgences. Les solutions existantes d'aide au diagnostic assisté par ordinateur reposent souvent sur l'imagerie avancée (ex. : perfusion ou angiographie par scanner) indisponible dans les contextes à ressources limitées ou ne parviennent pas à fournir des interfaces utilisables au point de service par du personnel non technique.

Méthodologie
Cette étude a employé un plan de précision diagnostique rétrospectif pour développer et valider un réseau de neurones convolutifs (CNN) pour la détection précoce de l'AVC ischémique en utilisant exclusivement des scanners TDM sans injection provenant du Mulago National Referral Hospital.

• Jeu de données : L'étude a utilisé 1 000 scanners TDM sans injection anonymisés (500 cas d'AVC ischémique confirmés, 500 contrôles) collectés entre janvier 2022 et juin 2023. Les images ont été extraites d'un ensemble total de 1 450 scanners après exclusion de ceux présentant des artefacts de mouvement, des séries incomplètes ou des métadonnées corrompues.
• Annotation : Trois radiologues ayant plus de cinq ans d'expérience en neuroimagerie ont annoté indépendamment les 500 scanners positifs pour l'AVC, ciblant les signes précoces tels que l'hypoatténuation, l'effacement des sillons et la perte de différenciation entre la substance grise et la substance blanche. La fiabilité inter-juges était forte (κ de Cohen = 0,83), les divergences ayant été résolues par consensus pour créer la référence standard.
• Prétraitement : Le pipeline comprenait la normalisation de l'intensité, le redimensionnement à des dimensions standardisées et l'augmentation de données (rotations, translations, retournements). Les caractéristiques quantitatives extraites comprenaient des mesures d'intensité, des descripteurs de forme et des caractéristiques de texture dérivées des propriétés de la matrice de cooccurrence des niveaux de gris (GLCM).
• Architecture du modèle : Un CNN 2D a été développé dans PyTorch pour analyser les coupes individuelles. L'architecture consistait en des couches de convolution et de pooling pour l'extraction de caractéristiques, suivies de couches entièrement connectées et d'une sortie softmax. Les techniques pour prévenir le surapprentissage incluaient le dropout, la régularisation L2 et la normalisation par lots (batch normalization). Le modèle a été entraîné avec l'optimiseur Adam sur 100 époques avec accélération GPU.
• Stratégie d'évaluation : La performance a été évaluée par validation croisée à cinq plis (80 % d'entraînement, 20 % de test). De plus, une analyse comparative a été menée sur un sous-ensemble indépendant strictement réservé de 30 cas (15 AVC, 15 non-AVC) contre un radiologue consultant senior.
• Déploiement : Une interface web a été développée à l'aide d'une API RESTful (backend Flask, frontend HTML/CSS/JavaScript) pour permettre le téléchargement sécurisé de fichiers DICOM, JPEG ou PNG et l'affichage des résultats d'inférence automatisés.

Résultats clés

• Performance du modèle : À travers la validation croisée à cinq plis, le CNN a atteint une précision moyenne de 90,2 % (±1,8), une sensibilité de 91,4 % (±1,7), une spécificité de 89,0 % (±2,1) et une aire sous la courbe (AUC) de 91,3 % (±1,7). La performance est restée stable à travers les plis de validation.
• Comparaison avec le radiologue : Sur le sous-ensemble indépendant de 30 cas, le radiologue senior a atteint 100 % de sensibilité et 95 % de spécificité, ne manquant aucun cas. Le CNN a atteint 86,7 % de sensibilité et 88,7 % de spécificité, manquant deux cas d'AVC. L'analyse statistique (test de McNemar) a indiqué que la différence de performance diagnostique n'était pas statistiquement significative (p = 0,21).
• Efficacité : Le différenciateur le plus significatif était le temps de traitement. Le CNN a traité les scanners en environ 3 secondes par cas, contre les 5 minutes requises pour l'interprétation manuelle par un radiologue.
• Fonctionnalité de la plateforme : L'interface web a démontré avec succès sa capacité à télécharger des scanners, effectuer une analyse automatisée et générer des résultats en quelques secondes dans un environnement hospitalier simulé.

Principales contributions

1. Modèle entraîné localement : L'étude présente un CNN entraîné exclusivement sur des données provenant d'un hôpital national de référence ougandais, répondant aux caractéristiques d'imagerie spécifiques et aux contraintes de ressources de la région.
2. Dépendance à l'imagerie de routine : Contrairement à de nombreux modèles d'IA pour l'AVC très avancés, ce système fonctionne uniquement sur des scanners TDM sans injection, la modalité la plus accessible dans les PRFI, plutôt que de nécessiter une perfusion ou une angiographie.
3. Déploiement intégré : La recherche dépasse l'algorithme expérimental en livrant une plateforme fonctionnelle, basée sur un navigateur, avec une API RESTful, conçue pour être utilisée par du personnel de santé non technique.
4. Validation dans un contexte de ressources limitées : L'étude valide qu'une haute performance diagnostique est réalisable dans des contextes où l'expertise en radiologie est limitée, offrant un outil potentiel pour un triage rapide.

Signification et affirmations
Les auteurs affirment que le système intégré offre une précision diagnostique comparable à celle d'un radiologue senior tout en délivrant des résultats nettement plus rapides. L'étude suggère qu'une telle plateforme présente un potentiel prometteur pour soutenir le triage de l'AVC et réduire les délais de diagnostic dans les contextes où les radiologues spécialistes sont rares. Les auteurs soulignent que le système répond au goulot d'étranglement critique du diagnostic tardif dans les soins d'urgence.

Cependant, l'article maintient un ton modeste concernant son impact actuel. Les auteurs déclarent explicitement que la plateforme n'a pas encore fait l'objet d'un déploiement clinique réel et qu'elle a été testée uniquement dans un environnement simulé avec des données anonymisées. Ils reconnaissent des limites incluant la nature monocentrique des données, l'absence de fonctionnalités d'interprétabilité visuelle (ex. : cartes de chaleur) et l'absence de retours structurés des utilisateurs finaux. Par conséquent, les auteurs concluent que d'autres validations multicentriques et une mise en œuvre pilote en conditions réelles sont nécessaires avant de recommander un déploiement à grande échelle.