L'IA détecte des indices de santé cachés dans les scanners de routine
Un modèle d'IA a extrait des signaux de maladie et de risque futur à partir de scanners (CT) de routine, mais les bénéfices cliniques restent encore à tester.
Résumé
Les scanners de routine peuvent révéler des risques pour la santé qui vont au-delà de la raison pour laquelle ils ont été prescrits. Des chercheurs de l'Université de Pennsylvanie ont développé Percival, un modèle d'intelligence artificielle entraîné sur plus de 400 000 volumes d'images de scanner et les comptes rendus associés, provenant de 52 000 participants. Les motifs repérés dans les images étaient associés à 35 mesures de laboratoire et à 351 catégories de diagnostic. Les modèles construits à partir de ces motifs se sont montrés particulièrement performants pour identifier des diagnostics enregistrés de plusieurs maladies cardiaques et du cancer du pancréas. Percival a également surpassé les modèles de comparaison pour prédire des diagnostics ultérieurs, ses meilleurs résultats concernant l'insuffisance cardiaque, la cirrhose et l'insuffisance rénale aiguë. Cependant, la plupart des valeurs de laboratoire se sont révélées difficiles à estimer directement. Ces résultats suggèrent une façon possible de tirer davantage de valeur des examens déjà réalisés, et non une raison de demander des examens d'imagerie supplémentaires. Une validation indépendante et des comparaisons avec des radiologues restent des prochaines étapes importantes.
Résumé détaillé
Les scanners (CT) réalisés en routine peuvent contenir des indices sur la santé bien au-delà de l'affection que les médecins souhaitaient initialement explorer. Des chercheurs de l'Université de Pennsylvanie ont mis au point un modèle d'intelligence artificielle appelé Percival pour extraire ces indices, ce qui pourrait aider les cliniciens à repérer des maladies passées inaperçues et à estimer les risques futurs, sans collecter d'images supplémentaires ni exposer les patients à des rayonnements additionnels.
Le modèle a appris à partir de plus de 400 000 volumes d'images de scanner associés à des comptes rendus de radiologie, provenant de 52 000 participants de la Penn Medicine BioBank. Les motifs identifiés dans les images reflétaient l'âge, le sexe et la corpulence. Les chercheurs ont également mis en évidence des associations statistiquement significatives avec 35 mesures de laboratoire, notamment des indicateurs de la fonction rénale et hépatique, du métabolisme, de la numération sanguine et de l'inflammation. Cependant, l'estimation directe de la plupart des valeurs de laboratoire individuelles est restée difficile.
Le modèle a montré des associations avec 351 catégories de diagnostics touchant de multiples systèmes d'organes. Lorsque les chercheurs l'ont entraîné à distinguer les patients avec et sans diagnostic enregistré, ses meilleurs résultats concernaient la fibrillation atriale, l'athérosclérose coronarienne, l'insuffisance cardiaque et le cancer du pancréas. Il a surpassé un modèle d'imagerie entraîné sans comptes rendus associés, ce qui suggère que le fait de relier les images à des descriptions cliniques apportait des informations utiles.
Pour les diagnostics ultérieurs, Percival a surpassé les modèles de comparaison reposant uniquement sur les images, sur les mesures des organes, ou sur l'âge et le sexe. Les résultats étaient les plus solides pour l'insuffisance cardiaque, la cirrhose et l'insuffisance rénale aiguë. S'il est validé, cette approche pourrait aider les médecins à utiliser les scanners existants pour repérer les patients nécessitant une évaluation plus poussée. Elle n'établit pas qu'un dépistage supplémentaire par scanner serait bénéfique chez les adultes en bonne santé.
Ces résultats décrivent des associations et une capacité de prédiction, et non la preuve que le modèle détecte la maladie plus tôt ou améliore les résultats pour les patients. L'article ne fournit pas d'estimations détaillées de la précision, et la comparaison directe avec les radiologues reste une prochaine étape. Une validation indépendante, des performances fiables dans différentes populations et des preuves que les alertes conduisent à de meilleurs soins sont nécessaires avant toute utilisation en routine. Les patients doivent poursuivre les dépistages établis et discuter des résultats de leurs examens avec leur clinicien, plutôt que de chercher à passer des examens d'imagerie uniquement à des fins de prédiction.
Principales conclusions
- Percival learned from more than 400,000 CT image volumes paired with radiology reports from 52,000 participants.
- Image patterns were associated with 35 laboratory measurements and 351 diagnosis categories, but most laboratory values remained difficult to estimate.
- Disease classification results were strongest for atrial fibrillation, coronary atherosclerosis, heart failure, and pancreatic cancer.
- Future diagnosis prediction outperformed comparison models, with strongest results for heart failure, cirrhosis, and acute kidney failure.
- The findings support further testing of existing scans, not additional CT screening for healthy adults.
Méthodologie
Ce compte rendu d'actualité de recherche de Lifespan.io résume une étude de l'Université de Pennsylvanie publiée dans npj Digital Medicine. Les données proviennent de l'entraînement d'un modèle d'IA image-texte sur des scanners (CT) et des comptes rendus de radiologie, puis de l'évaluation des associations avec les résultats de laboratoire, les diagnostics enregistrés et les diagnostics ultérieurs. Il s'agit d'une recherche prédictive observationnelle, et non d'un essai démontrant une amélioration des résultats pour les patients.
Limites de l'étude
L'article fourni se termine de manière abrupte et ne donne ni estimations détaillées de la précision, ni horizons temporels de prédiction, ni informations suffisantes sur la validation indépendante. Il conviendrait de vérifier, dans l'article scientifique principal, la séparation des données, les risques de fuite d'informations, la diversité de la population, ainsi que la question de savoir si les diagnostics enregistrés ultérieurement correspondent réellement à une maladie nouvelle. Une comparaison directe avec les radiologues et des preuves d'une amélioration des résultats cliniques font encore défaut.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :