Utilisation pratique de l'intelligence artificielle : une classification radiologique de démences à partir d’IRM morphologiques avec assistance par des cartes issues de l'apprentissage automatique - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2019

Practical use of Artificial Intelligence: a radiological classification of dementia from anatomical MRI assisted by machine learning-derived maps

Utilisation pratique de l'intelligence artificielle : une classification radiologique de démences à partir d’IRM morphologiques avec assistance par des cartes issues de l'apprentissage automatique

Résumé

Background: many artificial intelligence tools are currently being developed to assist diagnosis of dementia from magnetic resonance imaging (MRI). However, these tools are so far difficult to integrate in the clinical routine workflow. In this work, we propose a new simple way to use them in neuroradiological routine and assess its utility for improving diagnostic accuracy. Materials and methods: we studied 34 patients with early-onset Alzheimer’s disease (EOAD), 49 with late-onset AD (LOAD), 39 with frontotemporal dementia (FTD) and 24 with depression from the pre-existing cohort CLIN-AD. Support vector machine (SVM) automatic classifiers using 3D T1 MRI were trained to distinguish: LOAD vs Depression, FTD vs LOAD, EOAD vs Depression, EOAD vs FTD. We extracted SVM weight maps, which are tridimensional representations of discriminant atrophy patterns used by the classifier to take its decisions and printed posters of these maps. Four radiologists (2 senior neuroradiologists and 2 unspecialized junior radiologists) performed a visual classification of the 4 diagnostic pairs using 3D T1 MRI. Classifications were performed twice: first with standard radiological reading and then using SVM weight maps as a guide. Results: diagnostic performance was significantly improved by the use of the weight maps for the two junior radiologists in the case of FTD vs EOAD. Improvement was over 10 points of diagnostic accuracy. Conclusion: this tool can improve the diagnostic accuracy of junior radiologists and is easy to integrate in the clinical routine workflow.
Introduction : de nombreux outils basés sur l'intelligence artificielle sont en cours de développement pour aider au diagnostic des démences en IRM. Cependant, ces outils sont jusqu'à présent difficiles à intégrer dans un flux de travail clinique de routine. Nous proposons une nouvelle façon simple, d’utiliser des outils issus de l’IA dans la pratique clinique neuroradiologique et d'évaluer leur impact sur les performances diagnostiques. Matériels et méthodes : nous avons étudié 34 patients atteints de la forme précoce de la maladie d'Alzheimer (EOAD), 49 de la forme tardive de la maladie d'Alzheimer (LOAD), 39 de démence fronto-temporale (DFT) et 24 de dépression ; issus de la cohorte préexistante CLIN-AD. A partir de séquences IRM 3D T1 des classifications automatiques par SVM (Support vector machine) ont été réalisées sur quatre paires de diagnostics : LOAD vs Dépression, FTD vs LOAD, EOAD vs Dépression, EOAD vs FTD. Nous avons extrait des cartes (Weight Maps : WMs) faisant apparaitre la pondération de la classification SVM, qui sont en pratique des représentations tridimensionnelles de modèles d'atrophie discriminants utilisés par le classificateur pour prendre ses décisions. Ces cartes furent imprimées afin que quatre radiologues (2 neuroradiologues et 2 internes) réalisent des classifications radiologiques des 4 paires diagnostiques, basées seulement sur les séquences 3 DT1. Deux séries de classifications ont été effectuées : d'abord avec une lecture radiologique standard et ensuite en utilisant les WMs comme guide. Résultats : les performances diagnostiques des deux internes ont été considérablement améliorées (plus de 10 points d’accuracy) par l'utilisation des WMs dans le cas DFT vs EOAD. Conclusion : cet outil permet d’améliorer la précision du diagnostic des internes en radiologie et est facile à intégrer dans un flux de travail clinique.
Fichier principal
Vignette du fichier
ThExe_CHAGUE_Pierre_DUMAS.pdf (2.62 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-02990678 , version 1 (05-11-2020)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : dumas-02990678 , version 1

Citer

Pierre Chagué. Utilisation pratique de l'intelligence artificielle : une classification radiologique de démences à partir d’IRM morphologiques avec assistance par des cartes issues de l'apprentissage automatique. Médecine humaine et pathologie. 2019. ⟨dumas-02990678⟩
58 Consultations
926 Téléchargements

Partager

Gmail Facebook X LinkedIn More