Apprentissage automatique basé sur l'intelligence artificielle pour diagnostiquer et classer l'adénomyose à partir d'échographies : une étude de développement de modèles multicentriques

Contexte : L'adénomyose est une affection gynécologique bénigne caractérisée par la présence de cellules endométriales ectopiques (cellules de la muqueuse utérine) dans le myomètre (couche musculaire de l'utérus). À l’échelle mondiale, bien que l’adénomyose soit répandue chez les femmes et les filles à toutes les étapes de la vie, depuis l’adolescence jusqu’à la périménopause, elle reste sous-diagnostiquée. Les femmes atteintes d'adénomyose présentent des symptômes débilitants tels que des saignements menstruels abondants, des cycles menstruels douloureux, des douleurs pelviennes chroniques et des issues de grossesse fâcheuses entraînant un impact à long terme sur leur qualité de vie.

Le diagnostic et la classification de l'adénomyose sont non seulement essentiels pour établir une corrélation avec la gravité des symptômes, mais également pour conseiller les femmes sur le pronostic de la maladie, le type de prise en charge et l'impact à long terme des résultats de l'adénomyose. Cependant, la classification de la gravité n'est pas seulement un processus long et complexe, mais elle dépend également de l'expérience de l'opérateur et est subjective. Il serait probablement bénéfique d’obtenir les mêmes résultats en une fraction de temps avec une réduction des biais de l’opérateur, indépendamment de l’expertise de l’opérateur.

Lorsqu'il s'agit de tâches de classification d'images, l'apprentissage automatique (ML) a un énorme potentiel pour aider les professionnels de la santé à classer objectivement la gravité de l'adénomyose en quelques secondes. Le cadre d'apprentissage profond et l'outil d'apprentissage automatique automatisé sont des outils de pointe pour l'analyse automatisée des images par échographie transvaginale (TVUS). Il peut traiter directement et apprendre automatiquement les caractéristiques abstraites de niveau moyen à élevé acquises à partir d’images échographiques à l’aide d’un modèle d’architecture profonde sans nécessiter la définition manuelle des caractéristiques au préalable. Cela permet d'entraîner, de tester et de valider le modèle d'apprentissage automatique avec des exemples d'images étiquetées pour la classification.

Le but de l'étude est d'utiliser les images échographiques annotées de l'utérus normal et de l'adénomyose de gravité variable pour entraîner un réseau neuronal utilisant l'apprentissage profond supervisé qui prédit si une image d'entrée appartient à l'une des classes suivantes : aucune, légère, modérée ou adénomyose sévère. Il s'agira d'un nouveau projet qui pourrait aider les cliniciens et les échographistes à évaluer la gravité de l'adénomyose en une fraction de temps dans le futur.

Objectif : Étudier l'utilisation d'un modèle de reconnaissance d'images utilisant l'apprentissage profond supervisé via un outil d'apprentissage automatique automatisé (Vertex AI) et un cadre d'apprentissage profond (Pytorch) pour la création d'un algorithme de classification échographique de la gravité de l'adénomyose.

Conception et paramètres de l’étude :

Type d'étude : Il s'agira d'une étude de cohorte observationnelle multicentrique. Les outils d'évaluation des risques de biais APPRAISE-AI et PROBAST-AI (modèle de prévision) ont été utilisés pour le développement de protocoles.

Paramètres : Les images échographiques de patientes présentant un utérus normal et une adénomyose seront récupérées dans dix centres de fertilité CARE au Royaume-Uni. Cela comprendrait les sites CARE Fertility de Birmingham, Tamworth, Nottingham, Northampton, Sheffield, Leeds, Manchester, Bolton, Cheshire et Liverpool.

Population : la cohorte de l'étude comprendra des images échographiques de patientes qui ont fréquenté les centres de fertilité CARE pour échographie entre février 2022 et février 2024 et ont reçu un diagnostic d'utérus normal et d'adénomyose à l'aide des critères d'évaluation échographique morphologique de l'utérus (MUSA) sur le dépistage des images. Les critères MUSA décrivent les caractéristiques échographiques du myomètre et des lésions du myomètre à l'aide de termes, de définitions et de mesures standardisés.

Un système de cartographie schématique de la gravité de l'adénomyose publié précédemment sera utilisé pour déterminer la gravité de l'adénomyose utérine lors de l'examen des images. Cela a été choisi en raison de la reproductibilité, du taux d'accord interobservateur substantiel à presque parfait et de la corrélation clinique avec la gravité des symptômes. Un score allant de 1 à 4 est attribué à chaque grade et la somme des nombres de scores est utilisée pour calculer l'extension de la maladie : légère (1-3), modérée (4-6) et sévère (>7). . Durée : échographie réalisée entre février 2022 et février 2024. Taille de l'échantillon : le nombre minimum d'images requis par Vertex AI Vision pour l'entraînement est de 100 par catégorie. La probabilité de réussir à reconnaître une catégorie augmente avec le nombre d’exemples de haute qualité pour chacune. La taille de l'échantillon cible pour tester l'algorithme de classification de l'adénomyose sera comprise entre 1 000 et 10 000 images chacune pour l'adénomyose nulle, légère, modérée et sévère. L'ensemble complet des images sera réparti également dans les catégories de classification ; cependant, il se peut qu'il ne soit pas possible de trouver un nombre approximativement égal d'images pour chaque catégorie. L'ensemble de données complet sera divisé manuellement en deux ensembles de données différents dans un rapport de 9 : 1 ; 90% des images sélectionnées seront utilisées comme jeu de données d'entraînement (formation + validation) et 10% comme jeu de données de test. Cela garantira l’inclusion adéquate d’images diverses et représentatives pour chaque catégorie. L'ensemble de données de test sera un ensemble de données indépendant qui n'est pas utilisé dans la phase de formation mais sera obtenu auprès de la même installation que les données utilisées dans la phase de formation.

Minimisation de l'impact potentiel des biais : toutes les images échographiques stockées de l'utérus normal et adénomyotique seront examinées par un examinateur expérimenté en scintigraphie gynécologique et de fertilité qui ne connaîtra pas les caractéristiques de base des femmes pour éviter les biais d'identification et de recrutement. Deux évaluateurs classeront indépendamment la gravité de l'adénomyose en légère, modérée et sévère pour 1 000 séries d'images afin d'établir la concordance.

Détails du logiciel IA :

Type d'apprentissage automatique Apprentissage profond supervisé : dans l'apprentissage supervisé, la machine a besoin d'exemples étiquetés pour apprendre. Le but de l'étude est d'apprendre à une machine à reconnaître la gravité variable de l'adénomyose diagnostiquée par échographie. Les images échographiques étiquetées « Aucune », « Légère », « Modérée » et « Sévère » seront téléchargées en entrée. En étudiant les exemples, l'algorithme apprendra à reconnaître ce qui distingue un utérus normal d'une adénomyose légère et une adénomyose légère d'un degré sévère et à attribuer la classification correcte à chaque nouvelle image qu'il est demandé d'analyser.

Type de framework et version : Google Cloud Vertex AI Vision API V1 en tant qu'outil d'apprentissage automatique automatisé et la version la plus récente de Pytorch en tant que framework d'apprentissage automatique approfondi.

Acquisition des données d'entrée et sélection : les données d'entrée du modèle seront récupérées à partir d'images échographiques de patients qui ont fréquenté les centres de fertilité mentionnés ci-dessus pour une échographie entre février 2022 et février 2024 et ont reçu un diagnostic d'utérus normal et d'adénomyose lors du dépistage des images. Les images échographiques éligibles des participantes à l'utérus adénomyotique seront extraites sous forme d'images bidimensionnelles (2D) et/ou tridimensionnelles (3D) après suppression des identifiants du patient. Si une patiente a plus d'une image d'utérus adénomyotique ou normal, toutes ces images seront incluses. Ces images seront examinées par un examinateur pour réduire le risque de biais et formatées pour garantir qu'elles contiennent les caractéristiques échographiques de l'adénomyose qui nous intéressent dans l'image. Ces images examinées et formatées seront étiquetées comme nulles, légères, modérées et sévères par deux évaluateurs expérimentés dans le diagnostic échographique et la classification de l'adénomyose. Trois ensembles d'images d'entrée seront téléchargés sur le framework d'apprentissage automatique :

1. Ensemble de formation : 80 % des données d'image seront dans l'ensemble de formation. Le modèle « voit » et apprend dans un premier temps à partir de ces données.
2. Ensemble de validation : l'ensemble de validation fait également partie du processus de formation, mais il est conservé séparé pour ajuster les hyperparamètres du modèle. 10 % du total des images différentes de l'ensemble de données de formation seront utilisées afin d'affiner la structure du modèle afin qu'il peut mieux généraliser.
3. Ensemble de test : l'ensemble de test n'entre en scène qu'après le processus de formation. Il servira à tester les performances du modèle sur les données qu’il n’a pas encore vues. 10 % du total des images seront utilisées comme ensemble de test. Les images de test non étiquetées seront téléchargées sur le système et les performances du modèle d'intelligence artificielle (IA) seront comparées à la norme, c'est-à-dire à la classification originale des enquêteurs. La division du total des données d'image en ensemble d'entraînement, ensemble de validation et ensemble de test sera effectuée manuellement. Traitement des données d'entrée de mauvaise qualité ou indisponibles : ces images seront exclues.

Critères d'éligibilité :

Inclusion:

A. Participants : Les femmes fréquentant le centre de fertilité mentionné ci-dessus pour une échographie entre février 2022 et février 2024 pour toute indication et reçoivent un diagnostic d'utérus normal et d'adénomyose à l'échographie lors du dépistage des images.

B. Données d'entrée : Images 2D et/ou 3D concluantes et de bonne qualité de l'utérus normal et de l'utérus adénomyotique où les caractéristiques échographiques de l'adénomyose sont clairement visibles.

Exclusion:

A. Participantes : Femmes présentant coexistant un ou plusieurs fibromes intra-muros et des anomalies de la cavité endométriale.

B. Données d'entrée : échographie non concluante après évaluation par l'examinateur, images de mauvaise qualité où les caractéristiques échographiques de l'adénomyose ne sont pas claires et les images qui ne peuvent être classées dans l'une des quatre catégories seront exclues.

Consentement:

L'étude est purement observationnelle, aucune intervention ni étape supplémentaire n'étant menée dans le cadre de l'étude. Des images échographiques de l'utérus normal et adénomyotique auraient été acquises au moment où une femme subissait une TVUS qui fait partie de la pratique clinique de routine. Étant donné que l'appareil à ultrasons permet l'exportation d'images sans informations identifiables sur le patient, les données (qui incluent uniquement les images échographiques) verront les informations identifiables sur le patient (nom et date de naissance) supprimées avant que les données ne soient extraites. La liste de contrôle préalable à la demande du NHS Health Research Authority Confidentiality Advisory Group (CAG) a été consultée pour déterminer l'éligibilité de ce projet à traiter les informations des patients sans consentement. Par conséquent, aucun consentement éclairé ne sera demandé aux participants à l'étude car seules les données anonymisées déjà disponibles seront utilisées.

Résultats et analyse statistique

Résultats principaux : précision moyenne (valeur prédictive positive), précision, rappel, aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), sensibilité, spécificité et précision du modèle seront les principaux résultats d'intérêt pour le modèle d'apprentissage automatique et approfondi. Toutes les analyses seront effectuées à l'aide du logiciel statistique Stata (version 18, TX, USA) pour le modèle de cadre d'apprentissage automatique profond (ML) et à l'aide du logiciel d'apprentissage automatique automatisé pour le modèle ML automatisé. Une fois le modèle automatisé formé, analyse détaillée consistant en un résumé des performances du modèle qui sera rapporté (sortie du modèle). Le comprendra les éléments suivants :

• Seuil de score : le seuil de score fait référence au niveau de confiance que le modèle doit avoir pour attribuer une catégorie à un élément de test. Le curseur de seuil de score dans la console Google Cloud est un outil visuel permettant de tester l'effet de différents seuils pour toutes les catégories et catégories individuelles de l'ensemble de données. Un seuil de score offrant un bon équilibre entre faux positifs et faux négatifs sera adopté lors de l'évaluation.
• Vrais positifs, vrais négatifs, faux positifs et faux négatifs
• Précision et rappel : parmi tous les ensembles de tests d'images auxquels une catégorie a été attribuée, la précision indique combien d'entre elles étaient réellement censées être classées avec cette étiquette et le rappel indique combien d'images ont réellement reçu l'étiquette. L'étiquette de l'étalon de référence fait référence à la catégorisation effectuée par les enquêteurs.
• Courbes précision/rappel

Résultat secondaire : Évaluation de l'accord inter-évaluateurs entre deux évaluateurs dans l'évaluation échographique de l'adénomyose à l'aide du kappa de Fleiss. Les coefficients K utilisés pour interpréter la force de l'accord seront : ≤0 = faible, 0,01 à 0,20 = léger, 0,21 à 0,40 = passable, 0,41 à 0,60 = modéré, 0,61 à 0,80 = substantiel et 0,81 à 1 = presque parfait. .

Traitement des données et conservation des enregistrements : les données (images échographiques anonymisées) seront stockées dans le Google Cloud conformément à la loi sur la protection des données de 2018.

Les images échographiques éligibles des participantes à l'utérus normal et adénomyotique seront extraites sous forme d'images 2D et/ou 3D après suppression des identifiants du patient. Une fois l'étude terminée, les images stockées sur Google Cloud seront supprimées.

Contrôle et assurance qualité : les principes de bonnes pratiques cliniques seront suivis tout au long de la durée de l'étude.

Déclaration des événements indésirables : compte tenu de la nature observationnelle de l'étude et de l'absence d'étape supplémentaire impliquée dans la conception de l'étude autre que la TVUS de base, aucune considération de sécurité n'est impliquée.

Considérations éthiques :

L'approbation éthique a été obtenue auprès du comité d'examen institutionnel (IRB) local et de l'équipe de recherche et développement de CARE Fertility.

Confidentialité et protection des données : un numéro d'identification d'image unique sera utilisé pour l'identification des participants à l'étude. Toutes les données personnelles utilisées dans l'étude seront traitées conformément à la loi sur la protection des données de 2018 et seront considérées comme strictement confidentielles.

Financement : Les fonds pour ce projet proviennent du Tommy's National Center for Miscarriage Research, Birmingham, Royaume-Uni.

Conflits d'intérêts : Il n'y a aucun conflit d'intérêts associé à cette étude.

Amendements : Toute modification du protocole ou de la documentation de l'étude sera initiée par l'enquêteur en chef. Toutes les modifications substantielles seront soumises à l'IRB pour approbation, suivies de la mise en œuvre des changements dans tous les sites impliqués dans l'étude. Les modifications seront documentées dans la section « Modification du protocole » du protocole d'étude.

Définition de fin de projet : La collecte et la préparation des données, la formation et l'évaluation du modèle et la rédaction du manuscrit se dérouleront sur une période de 12 mois.

Aspects futurs de l'étude : L'objectif à long terme est d'analyser ce modèle d'IA validé en interne pour validation externe dans des centres externes du National Health Service (NHS) à l'aide du système PACS d'images archivées et de le corréler avec l'histopathologie des spécimens d'hystérectomie. Cela impliquerait également une analyse de l'utilité clinique en évaluant l'impact du modèle sur la prise de décision et les résultats. Si les performances du modèle sont appropriées en termes de valeur prédictive positive, de précision et d'utilité clinique, il sera mis en œuvre pour une utilisation en temps réel à l'aide de la prédiction en ligne. Le modèle peut être déployé pour les demandes de classification sous forme d'application en ligne ou sous forme d'application intégrée aux échographes.

Politique de publication : Les résultats de l'étude seront partagés via les médias scientifiques et sociaux. Les résultats de l'étude seront soumis à une revue à comité de lecture dans le domaine de l'échographie gynécologique (Ultrasound in Obstetrics and Gynecology (UOG)) et de la santé numérique (The Lancet Santé Numérique). Le manuscrit sera préparé par le Dr Ishita Mishra et la paternité sera déterminée en fonction du degré de contribution de l'individu à l'étude et à la rédaction du manuscrit.