Validatie van een algoritme voor kunstmatige intelligentie dat echocardiografische referentieweergaven identificeert. Echografie - gids voor cardiale acquisitie (U-CAG)

Als reactie op dit probleem hebben verschillende teams gebruik gemaakt van de vooruitgang op het gebied van deep learning, met name op het gebied van computervisie, om niet-specialisten te helpen deze referentiebeelden te verkrijgen. Met behulp van convolutionele neurale netwerken hebben verschillende teams algoritmen ontwikkeld om deze opvattingen te identificeren en te onderscheiden. Het doel van dit werk is om assistentie te verlenen aan de operator door in real time het verkregen ultrasone beeld te identificeren als referentiebeeld.

Sinds januari 2019 werken het echocardiografielaboratorium onder leiding van prof. Stéphane Lafitte en DESKi, een in Bordeaux gevestigde start-up gespecialiseerd in deep learning en medische beeldvorming, aan dit soort oplossingen. Ze waren met name in staat om een ​​algoritme te ontwikkelen op basis van retrospectieve gegevens dat beelden classificeert volgens 7 referentiebeelden (parasternale lange as, parasternale korte as, apicale 4-3-2 holtes, sub costale 4 holtes en de vena cava inferior) en een klasse die ultrasone beelden vertegenwoordigt die niet overeenkomen met een van deze weergaven.

De bijzonderheden van dit werk liggen voornamelijk in het feit dat het algoritme alleen weergaven detecteert met voldoende kwaliteit (echogeniciteit en zichtbaar anatomisch deel in het beeld) voor een betrouwbare analyse en dat de architectuur van het neurale netwerk compatibel is met een real-time gebruik op een slimme telefoon.

Onafhankelijk van de teams werden al deze algoritmen gebouwd en gevalideerd op basis van retrospectieve gegevens, d.w.z. lussen van echografiebeelden die door cardiologen zijn vastgelegd tijdens standaard echocardiografische onderzoeken. In deze opnames bewaren de cardiologen alleen de beelden die overeenkomen met de referentiebeelden. De cardioloog koppelt vervolgens elke beeldlus of acquisitie aan een referentieweergave. Uit deze door de cardiologen gelabelde opnames en door een leermethode leren de algoritmen deze referentiebeelden te detecteren en te onderscheiden. De algoritmen worden vervolgens gevalideerd op een monster dat niet is gebruikt voor training, door hun resultaten te vergelijken met de labeling die door de cardiologen is uitgevoerd.

De beperking van deze validatie is dat het weinig rekening houdt met het gedrag van het algoritme wanneer het wordt geconfronteerd met beelden die geen referentiebeelden zijn.

Voordat deze referentiebeelden worden vastgelegd, zoekt de operator naar de positie van de sonde die het beste zicht biedt door deze over de romp van de patiënt te bewegen. Deze hele scanfase wordt tijdens het standaardonderzoek uitgevoerd zonder te worden opgenomen. Geen van deze oplossingen is daarom prospectief gevalideerd op acquisities inclusief de scanfase van de referentiebeelden.

Door middel van een prospectieve monocentrische studie is het doel van het onderzoek om de door het algoritme uitgevoerde labeling te vergelijken met die van cardiologen van acquisities, waaronder de opname van de referentiebeeldzoekfase en verkregen als onderdeel van routinematige zorg in het echocardiografielaboratorium.