Approvisionnement éthique
Cette étude a été validée par le Comité d’éthique de l’Aichi Cancer Center (Numéro 2019-1-549, 26 mars 2019) et a été réalisée conformément à la Déclaration de Helsinki. L’étude repose sur une révision des dossiers médicaux. Le consentement éclairé des participants a été obtenu via un formulaire d’opt-out, et ceux n’ayant pas donné leur accord ont été exclus. La nécessité d’obtenir un consentement éclairé a été levée en raison de la nature de l’étude. Tous les auteurs ont eu accès aux données de l’étude et ont validé le manuscrit final.
Participants
Nous avons inclus les patients ayant subi un scanner abdominal dans notre hôpital entre janvier 2011 et décembre 2021, dont les images ont été archivées dans leurs dossiers médicaux. Ces données ont été conservées dans la base de données du Département d’endoscopie. Au total, 3096 participants ont été retenus, après exclusion de ceux dont la qualité d’image était insuffisante ou qui manquaient d’informations essentielles lors de la capture des images. Les bases de données, enregistrées de manière prospective et consécutive, ont été analysées rétrospectivement. La taille et le poids des patients ont été mesurés, permettant ainsi le calcul de l’indice de masse corporelle (IMC) à l’aide de la formule : IMC = (poids en kilogrammes)/(taille en mètres)^2.
Jeux de données et prétraitement
Tous les cas inclus ont été affectés de manière aléatoire aux cohortes de prétraitement et de sarcopénie, sans critères spécifiques ni biais. Cette assignation aléatoire garantit une représentation impartiale des cas au sein des deux cohortes. La cohorte de prétraitement a ensuite été divisée au hasard en ensembles de formation et de validation pour créer BMI_AI et l’IA d’extraction de la région corporelle (Body_AI). Pour le développement et la validation du modèle de sarcopénie, l’ensemble de données contenant des images de scanner du niveau L3 a été divisé aléatoirement en cohortes de développement et de test. Cette division a été réalisée par un échantillonnage aléatoire basé sur les cas, plutôt que sur les images individuelles. Au sein de la cohorte de développement, une division supplémentaire en ensembles de formation et de validation a été effectuée. Les images de la région L3 ont été extraites de ces cohortes et conservées au format JPEG. Le niveau L3 a été identifié pour tous les patients de chaque cohorte et la surface musculaire squelettique totale (SMA) a été extraite, mesurant la valeur CT de ce muscle sur une plage de -30 à 150 unités Hounsfield. Pour les cohortes de validation et de test, dix images ont été extraites de chaque patient de manière consécutive. Il est important de préciser que l’extraction aléatoire des images et l’assignation des patients aux cohortes ont été effectuées sans critères prédéterminés afin d’assurer une distribution aléatoire des données.
Diagrama de ce study. D’abord, nous avons divisé la cohorte en cohortes de prétraitement et de sarcopénie ; ensuite, la cohorte de prétraitement a été divisé en cohortes de formation et de validation, et la cohorte de sarcopénie en cohortes de formation, de validation et de test. Body_AI et BMI_AI ont été créés à partir de la cohorte IMC et Sarcopenia_AI de la cohorte de sarcopénie.
Mesure de la SMA et identification de la sarcopénie
La SMA totale au niveau L3 des images de tomodensitométrie abdominales a été mesurée à l’aide de SYNAPSE VINCENT (Fujifilm Medical Co., Ltd., Tokyo, Japon). En outre, les masses de graisse viscérale et sous-cutanée ont été mesurées au niveau de l’ombilic. En cas d’erreur de mesure de 5 % ou plus, une troisième mesure a été effectuée, et le label final a été déterminé en se basant sur la valeur la plus fréquemment observée parmi les trois mesures. Trois mesures ont été prises pour compenser l’erreur de mesure de la méthode conventionnelle. Ainsi, une détermination était considérée correspondre lorsque les résultats de deux mesures cohérentes étaient en accord, et une troisième mesure était introduite uniquement dans les cas où une erreur de mesure de 5 % ou plus était identifiée. L’Indice Musculaire Squelettique final (SMI) a été calculé à l’aide des re-mesures (SMI = SMA/(taille en mètres)^2). Le pourcentage de concordance et la valeur κ (kappa) ont été mesurés dans la cohorte de validation et de test, la valeur κ fournissant une mesure de l’accord entre évaluateurs, tenant compte de l’accord survenant par chance.
Développement des systèmes d’IA
Dans cette étude, trois systèmes d’IA ont été développés : Body_AI, qui peut uniquement extraire des images corporelles des images CT ; BMI_AI, qui peut évaluer l’IMC ; et Sarcopenia_AI, qui évalue la sarcopénie. Des ressources de supercalcul (Shirokane, Human Genome Center, Tokyo, Japon) et des ressources de calcul locales (GeForce GTX 2080 Ti et RTX A6000, Nvidia Corporation, Californie, États-Unis) ont été utilisées. Les couches CNN de Body_AI et BMI_AI ont été ajustées à partir des modèles pré-entraînés à l’aide d’ImageNet-21 K. Pour éviter le surajustement, nous avons utilisé un arrêt précoce, ainsi que des techniques d’augmentation de données (retour vertical, rotation d’image, effacement aléatoire, et RandAugment) et le lissage des étiquettes. L’optimiseur AdamW a été utilisé comme algorithme d’optimisation pour former les poids du réseau. Les modèles ont été formés à l’aide des données d’entraînement jusqu’à l’arrêt précoce, et la performance du modèle a été évaluée à l’aide des données de validation. Après l’entraînement, le modèle final, ayant enregistré la perte la plus basse, a été sélectionné et sa performance évaluée à l’aide des données de validation. Les données de test ont été utilisées pour évaluer la performance de Sarcopenia_AI.
Création de Body_AI. A) Les images extraites peuvent contenir des informations personnelles ou d’autres artefacts. B) L’IA a été conçue pour segmenter automatiquement uniquement la région du corps. C) L’IA reconnaît et extrait uniquement cette région, éliminant toute information supplémentaire de l’image originale.
Système BMI_AI
BMI_AI a été développé à l’aide de l’EfficientNetV2-L, une architecture CNN, conçue pour classer les IMC en haut/bas (bas : IMC < 22, haut ≥ 22) après extraction des images corporelles avec Body_AI. La taille d’entrée des images a été fixée à 512 x 512 pixels, et la sortie a fourni une valeur prédictive variant de zéro à un. Lorsque la valeur prédictive approchait 1, le modèle prédisait un IMC élevé sur les images de tomodensitométrie. Le modèle a été formé et validé grâce aux images extraites par Body_AI.
Système Sarcopenia_AI
Enfin, Sarcopenia_AI a été développé à l’aide d’un modèle de classification d’images, spécifiquement EfficientNetV2-L, pour classer le SMI en trois niveaux : bas (SMI < 38), moyen (38 ≤ SMI < 42) et élevé (SMI ≥ 42). En tenant compte de ces niveaux de SMI, ainsi que du sexe, Sarcopenia_AI évalue si un individu est atteint de sarcopénie. Les images utilisées pour l’entraînement et la validation avaient une taille d’entrée de 512 x 512 pixels. Toutes les couches CNN dans le modèle Sarcopenia_AI ont été ajustées en utilisant des poids dérivés du modèle BMI_AI.
Nous avons créé un modèle BMI_AI à partir des étiquettes générées, puis optimisé ce modèle pour créer Sarcopenia_AI. Le fin-tuning est utilisé pour améliorer le rendement d’un modèle pour une tâche nouvelle ou différente.
Définition des résultats
Pour l’évaluation de la segmentation, l’intersection sur union (IoU) a été utilisée. Quand IoU > 0.5, la prédiction est un vrai positif (TP) ; quand IoU < 0.5, il s’agit d’un faux positif (FP) ; et quand la zone de détection du modèle est de 0, c’est un faux négatif (FN).
Pour l’évaluation de la classification, la valeur prédictive pour chaque cas a été calculée comme la médiane des valeurs prédites pour toutes les images de ce cas.
L’objectif principal est d’évaluer la précision de l’évaluation de la sarcopénie pour chaque cas dans la cohorte test. Les objectifs secondaires comprennent : 1) la sensibilité et la spécificité de l’évaluation de la sarcopénie pour chaque cas dans la cohorte test, 2) la précision, la sensibilité et la spécificité de l’évaluation de la sarcopénie pour chaque cas dans la cohorte de validation, ainsi que celles de l’évaluation de l’IMC pour chaque cas dans les cohortes de validation/test, et 3) la précision de la détection de la zone corporelle et le désalignement de l’évaluation de la sarcopénie (valeur κ) pour la cohorte de validation/test.
Méthodes statistiques
JMP version 13.2.0 (SAS Institute Inc., Cary, NC, USA) a été utilisé pour toutes les analyses statistiques. Tous les tests étaient bilatéraux et la signification statistique a été fixée à P < 0.05. Les variables continues sont présentées sous forme de médianes et d’intervalles. Le test exact de Fisher a été utilisé pour les variables catégorielles, et le test U de Mann-Whitney pour les variables continues. Le test de McNemar a été utilisé pour comparer les différences en précision, sensibilité et spécificité. L’accord entre observateurs a été évalué à l’aide des statistiques κ : κ > 0.8 indique un accord presque parfait ; 0.8 à 0.6, un accord substantiel ; 0.6 à 0.4, un accord modéré ; 0.4 à 0.2, un accord équitable ; et < 0.2, un léger accord. Une valeur κ de 0 indique un accord équivalent au hasard, et < 0 indique un désaccord.
Points à retenir
- Le consentement éclairé a été adapté au contexte de l’étude.
- Un total de 3096 patients a été inclus après une sélection rigoureuse.
- Les systèmes d’IA développés joueront un rôle essentiel dans l’évaluation à distance de la sarcopénie et du BMI.
- Des méthodes statistiques rigoureuses ont été appliquées pour garantir la fiabilité des résultats.
La mise en œuvre d’outils d’IA pour analyser les données médicales ouvre des perspectives passionnantes dans le domaine de la santé. Ce type d’innovation pourrait transformer la manière dont sont menées les évaluations de la condition physique des patients et contribuer à des diagnostics précoces et précis. En quoi la technologie peut-elle encore améliorer les soins médicaux dans les années à venir ?
- Source image(s) : www.nature.com
- Source : https://www.nature.com/articles/s41598-024-83401-8
Nos rédacteurs utilisent l'IA pour les aider à proposer des articles frais de sources fiables à nos utilisateurs. Si vous trouvez une image ou un contenu inapproprié, veuillez nous contacter via le formulaire DMCA et nous le retirerons rapidement. / Our editors use AI to help them offer our readers fresh articles from reliable sources. If you find an image or content inappropriate, please contact us via the DMCA form and we'll remove it promptly.