Arch Mal Coeur Vaiss Prat 2021;2021:16–21Dossier / Mise au point

Intelligence artificielle et imageriecardiovasculaire

Artificial intelligence and Cardiovascular Imaging

T. Pezel

T. Pezel a,b

S. Lafitte c

Le Machine Learning est une techno-logie d'intelligence artificielle permet-tant aux ordinateurs d'apprendresans avoir été programmés pour :apprentissage automatique.

16

aService de cardiologie, centre hospitalieruniversitaire Lariboisière, AP–HP, Unité inserm-UMR942, 2, rue Ambroise Paré, 75010 Paris, FrancebDivision of Cardiology, Johns Hopkins University,Baltimore, Maryland 21287-0409, USAcService de cardiologie, inserm 1034, centrehospitalier universitaire de Bordeaux, hôpitalcardiologique Haut-Lévêque, avenue Magellan, 33604Pessac cedex, France

Disponible en ligne sur ScienceDirect le 2 décembre

2020

L'intelligence artificielle est en train demodifier progressivement notre approche

de la cardiologie. Mais s'il y a bien un domainedans lequel l'intelligence artificielle révolu-tionne complètement le paysage cardiologiquec'est bien celui de l'imagerie cardiovasculairemultimodale [1]. En effet, l'intelligence artifi-cielle peut constituer une aide précieuse pourle clinicien à chaque étape de l'examen d'ima-gerie : dans le positionnement optimal dupatient en IRM cardiaque, dans la programma-tion de l'examen pour choisir le protocole opti-mal à la morphologie du patient et à l'indicationd'un scanner cardiaque, dans l'acquisition descoupes idéales en échocardiographie,à traversdes dizaines d'outils de post-traitement per-mettant d'analyser les images, ou encore dansla production d'un compte rendu final pour lepatient et son médecin.L'intelligence artificielle est omniprésente etconstituera de plus en plus notre compagnonde route à l'avenir. Ainsi, l'objectif de cet articlesera de présenter les principes de l'intelligenceartificielle appliquée à l'imagerie cardiovascu-laire multimodale, nous discuterons ses suc-cès et promesses, et enfin, nous évoqueronsses limites mentionnées dans la littérature.

Auteur correspondant:Service de cardiologie, centrehospitalier universitaireLariboisière, AP–HP, Unitéinserm-UMR 942, 2, rueAmbroise Paré, 75010 Paris,France.Adresse e-mail :

PRINCIPE DU MACHINE LEARNINGAPPLIQUÉ À L'IMAGERIE

Le Machine Learning est une technologied'intelligence artificielle permettant aux ordina-teurs d'apprendre sans avoir été programmésexplicitement pour cela : on parle d'apprentis-sage automatique. Cependant, pour développerun raisonnement d'analyse (« réseau de neu-rones »), ces ordinateurs ont besoin d'appren-dre à partir d'un nombre important de donnéesdéjà analysées par des experts, on parle de« données étiquetées » (Fig. 1A). Autrementdit, si on montre à la machine 200 000 examensd'IRM cardiaques correspondant à des patientsavec une séquelle d'infarctus du myocardediagnostiquée par un panel d'experts en ima-gerie cardiaque et bien, la machine apprend decette expérience et sera au final capable dediagnostiquer une séquelle d'infarctus du myo-carde, au moins aussi bien qu'un expert, maisen 10 fois moins de temps [2].Ainsi, la notion de donnée étiquetée corres-pond à une donnée d'imagerie brute (imagesd'IRM, de scanner ou d'échographie cardia-ques) pour laquelle un médecin expert a poséune mesure ou un diagnostic précis. L'algo-rithme apprend alors en profondeur (deeplearning) à identifier tous les détails de l'imagequi auront permis à l'expert d'arriver à ce diag-nostic [3] (Fig. 1B).Pour comprendre l'intérêt de l'intelligence arti-ficielle appliquée en imagerie, il est importantd'évoquer le cas des pathologies rares ourelativement rares. Prenons l'exemple dudiagnostic de non-compaction du ventricule

theo.pezelccf@gmail.com

https://doi.org/10.1016/j.amcp.2020.11.004© 2020 Elsevier Masson SAS. Tous droits réservés.

Figure 1. Grands principes de l'intelligence artificielle (adapté de [3]). Diagramme de Venn présentant la terminologie hiérarchique del'intelligence artificielle. Comprendre les différentes étapes de construction d'un algorithme de Deep learning.

Intelligence artificielle et imagerie cardiovasculaire Dossier / Mise au point

gauche. Lorsque l'on sait que dans toute sa carrière, un experten imagerie cardiaque rencontrera au grand maximum 100 à200 patients avec ce diagnostic, on comprend combien cediagnostic peut parfois poser problème et discussion au seind'une équipe. Imaginons maintenant un logiciel de post-trai-tement utilisant le machine learning capable d'apprendre lesdonnées de plusieurs milliers de cas de non-compaction duventricule gauche identifiés par des dizaines d'experts à tra-vers le monde. L'expérience du réseau de neurones devientalors virale. On comprend alors pourquoi de nombreusesétudes ont déjà montré que ce type d'algorithme permet deréduire significativement le taux d'erreur d'interprétation [2].Au-delà de l'analyse d'image de coupes, l'intelligence artifi-cielle peut aussi constituer un outil précieux pour aider lepraticien à l'acquisition de l'image. Ainsi, certains logicielsont été développés en échocardiographie, afin de guider leclinicien vers l'acquisition optimale de la coupe chez le patient

(Fig. 2). L'intelligence artificielle devient alors le vecteur d'uneformation de qualité pour les cliniciens.

GAIN DE TEMPS POUR LE MÉDECIN IMAGEURDANS L'INTERPRÉTATION

Dans une étude récente, Bhuva et al présentent les résultatsd'un nouvel algorithme d'intelligence artificielle capable de lireles IRM cardiaques, 186 fois plus rapidement que les méde-cins humains [4]. Ainsi, cette étude vient confirmer le principedu Machine Learning appliqué à l'imagerie cardiovasculaire enpermettant d'augmenter la vitesse de lecture des praticiens,tout en diminuant significativement le taux d'erreurd'interprétation.

17

Figure 2. Exemple d'un algorithme d'aide à l'acquisition d'échocardiographie permettant aux médecins de positionner correctement la sondeen temps réel pour obtenir les vues de références (Courtoisie DESKI®).

T. Pezel, S. LafitteDossier / Mise au point

Par ailleurs, selon cette étude, un médecin réalisant uneanalyse complète des fonctions cardiaques manuellement,sans assistance de l'intelligence artificielle, à partir d'un exa-men d'IRM cardiaque nécessiterait environ 13 minutes. Avec

Figure 3. Exemple de segmentation automatique par logiciel d'IA dédiéeKingdom, images acquises par le software Circle CVi42®).Exemple de

ventricule gauche permettant les mesures de volumes du ventricule gauventriculaire gauche, et de segmentation de l'endocarde (jaune) du vende la fraction d'éjection ventriculaire droite. Noter ici que la présence d'usegmentation automatique car le logiciel a déjà appris cette situation susegmentation de la zone non compactée d'un patient avec non-compacde Jacquier (image de gauche) ou de Petersen (image de droite).

18

l'aide d'un logiciel de post-traitement utilisant le machine learn-ing capable de segmenter de façon automatique les contoursdes cavités cardiaques, la même analyse est réalisée enseulement 4 secondes (Fig. 3A). De plus, au-delà de cette

à l'IRM cardiaque (Courtoisie Dr. Carpenter, Hospital NHS, Unitedsegmentation de l'endocarde (rouge) et de l'épicarde (vert) duche, de la fraction d'éjection ventriculaire gauche et de massetricule droit permettant les mesures de volumes du ventricule droit etn épanchement péricardique abondant ne gêne pas lar des milliers de patients grâce au deep learning. Exemple detion du ventricule gauche permettant une mesure selon les critères

Intelligence artificielle et imagerie cardiovasculaire Dossier / Mise au point

dimension chronophage, l'analyse manuelle des images estsujette aux erreurs, notamment de possibles erreurs d'inatten-tion liées à un flux de patients quotidien parfois très important.L'apport de l'imageur n'est pas de savoir tracer correctementles limites de l'endocarde sur une coupe du ventricule gauche,ni même de savoir mesurer la zone compactée et la zone noncompactée d'une non-compaction du ventricule gauche, maisplutôt d'être capable d'intégrer toutes ces informations, en lienavec le contexte clinique, afin que l'imagerie fasse sens dansl'histoire du patient (Fig. 3B). En réalité, « l'intelligence artifi-cielle aide le praticien à faire la synthèse ! ».Plus récemment, différents logiciels utilisant le machine learn-ing permettent d'augmenter la détection des incidentalomes(nodule pulmonaire, tumeur hépatique, anévrisme del'aorte. . .). En effet, lorsqu'un examen d'imagerie cardiovascu-laire est réalisé, il cherche à répondre à une question précise etmême si les radiologues et cardiologues sont formés à systé-matiquement tout regarder, il n'est pas simple de ne jamaispasser à côté d'un incidentalome. Ainsi, certains logicielsautomatisés ont déjà été commercialisés afin de permettrede donner une sécurité supplémentaire au patient à traversdes algorithmes assez sensibles capables de détecter deslésions extracardiaques. On peut citer par exemple, le déve-loppement d'un logiciel automatisé permettant la détection desnodules pulmonaires et des anomalies de l'aorte thoraciqueà partir de n'importe quel scanner thoracique ou coroscanner(Fig. 4).

QUELLE PLACE DE L'INTELLIGENCEARTIFICIELLE DANS NOS SYSTÈMES DESANTÉ ?

Notre système de santé est en pleine mutation soumis à despressions constantes pour une optimisation du rapport temps/efficacité de nos équipes. Ainsi, l'intelligence artificielle

Figure 4. Exemple d'un logiciel automatisé permettant la détection des nd'un scanner thoracique ou coroscanner (Courtoisie AI Rad CompanionExemple de segmentation et de mesures entièrement automatisée à chthoracique injecté. Exemple de segmentation et de mesures entièremenà partir d'un scanner thoracique injecté.

pourrait faire économiser un temps précieux aux établisse-ments de santé tout en réduisant le taux d'erreurs commiseslors de la lecture. En effet, si l'on compare le temps gagné surchaque lecture d'IRM avec le nombre de lectures effectuéeschaque année, les cardiologues/radiologues pourraientgagner un total de 54 jours par an [2,4].Ainsi, l'automatisation du processus d'analyse en imageriecardiaque par l'intelligence artificielle conduit à une augmen-tation importante du flux de patients, permettant aux médecinsde traiter davantage de patients dans le même laps de temps.Lorsque l'on connaît les délais d'attente pour bénéficier d'uneIRM ou d'un scanner cardiaque dans certaines régions deFrance, cela constitue un élément de santé publique absolu-ment majeur !

L'INTELLIGENCE ARTIFICIELLE PERMET UNETRANSVERSALITÉ À TOUTE LA CARDIOLOGIE :EXEMPLE DU « DIGITAL TWIN »

L'intelligence artificielle appliquée à l'imagerie cardiovascu-laire est un outil au service de la cardiologie interventionnelle,afin de préparer au mieux les procédures complexes maisaussi, de guider le geste invasif jusque dans la salled'intervention.Ainsi, l'équipe bordelaise a récemment publié un travail trèsprometteur suggérant un intérêt potentiel de l'intelligence arti-ficielle pour améliorer le rendement de la réponse à la resyn-chronisation cardiaque par pacemaker [5]. En effet, il s'agitd'une première expérience sur le sujet du « jumeau numé-rique » (digital twin), véritable clone numérique du cœur dupatient réalisé informatiquement à partir de données cliniquesd'imagerie (IRM et échographie cardiaque) et électrophysio-logiques (tee-shirt ECG), l'objectif étant alors de pouvoir testerles effets d'une nouvelle intervention sur le jumeau numériquedu cœur du patient, avant de la réaliser sur le patient lui-même,

odules pulmonaires et des anomalies de l'aorte thoracique à partir Chest CT software, Siemens Healthineers, Erlangen, Germany).aque niveau d'intérêt de l'aorte thoracique à partir d'un scannert automatisées à chaque niveau d'intérêt de l'aorte thoracique

19

Figure 5. Utilisation d'un logiciel automatisé permettant de mesurer un score de probabilité d'infection à COVID-19, puis de sévérité à partird'un scanner thoracique (d'après [7]).

T. Pezel, S. LafitteDossier / Mise au point

puis d'utiliser ces résultats pour guider au mieux l'interventionde resynchronisation cardiaque.

RÔLE DE L'INTELLIGENCE ARTIFICIELLE ENIMAGERIE DANS LE CONTEXTE DE PANDÉMIEÀ COVID-19

Nous vivons depuis le début de l'année 2020, une période depandémie à COVID-19 au cours de laquelle le scanner tho-racique est devenu l'une des références pour le diagnosticpositif de COVID-19, ainsi qu'un outil incontournable dans lastratification de la sévérité de ces patients [6]. De ce fait, lagestion des patients et des flux d'examens a été difficile danscertaines régions du monde avec parfois plusieurs centainesde scanners thoraciques à interpréter dans la même journée,sur un même centre.Malgré l'urgence, l'intelligence artificielle a su rapidement mon-trer son intérêt dans cette situation, à travers plusieurs publi-cations utilisant des logiciels automatisés visant à aider le

20

clinicien. Ainsi, Lessmann et al ont mis en avant la mesureautomatisée à partir d'un scanner thoracique d'un score deprobabilité du diagnostic COVID-19 : le score CO-RADS, puisde fournir une quantification de la sévérité des lésions pulmo-naires à COVID-19 associée au pronostic de ces patients(Fig. 5) [7].

CONCLUSION

Le potentiel de l'intelligence artificielle appliquée à notre pra-tique quotidienne de l'imagerie cardiovasculaire est immense,avec des conséquences actuelles et futures majeures surl'industrie de la santé.Ainsi, nous vivons probablement une période de développe-ment sans précédent dans le monde de l'imagerie cardiaqueavec l'intelligence artificielle, véritable bras armé d'une cardio-logie toujours plus précoce pour nos patients, tant sur le planpréventif que curatif [8]. Cependant, notre rôle de clinicienconsiste probablement à accompagner ce processus

Intelligence artificielle et imagerie cardiovasculaire Dossier / Mise au point

d'évolution de notre médecine, afin de rester les garants d'uneexigence et d'une précision permanentes, notamment dansnos échanges avec les équipes d'ingénieurs et mathémati-ciens dédiés à ce domaine.

En pratique

Le rôle du clinicien consiste probablement à accom-pagner ce processus d'évolution de notre médecine.

Déclaration de liens d'intérêtsLes auteurs déclarent ne pas avoir de liens d'intérêts.

RÉFÉRENCES

[1] Donal E, Lafitte S, Sportouch C. The new place of imaging incardiology, from diagnosis to treatment. Arch Cardiovasc Dis2019;112:543–5.

[2] Dey D, Slomka PJ, Leeson P, et al. Artificial intelligence incardiovascular imaging: JACC state-of-the-art review. J Am CollCardiol 2019;73:1317–35.

[3] Soffer S, Ben-Cohen A, Shimon O, Amitai MM, Greenspan H,Klang E. Convolutional neural networks for radiologic images: aradiologist's guide. Radiology 2019;290:590–606.

[4] Bhuva A, Bai W, Lau C, et al. A multicenter, scan-rescan, humanand machine learning CMR study to test generalizability andprecision in imaging biomarker analysis. Circ Cardiovasc Imaging2019;12:e009214.

[5] Buliard S, Nasser N, Mansi T, Houle H, Ritter P, Lafitte S. Intra-procedural evaluation of a computational modelling method forcardiac resynchronization therapy. EP Europace 2019;22:656.

[6] Choi AD, Abbara S, Branch KR, et al. Society of CardiovascularComputed Tomography guidance for use of cardiac computedtomography amidst the COVID-19 pandemic Endorsed by theAmerican College of Cardiology. J Cardiovasc Comput Tomogr2020;14:101–4.

[7] Lessmann N, Sánchez CI, Beenen L, et al. Automated Assess-ment of CO-RADS and Chest CT Severity Scores in Patients withSuspected COVID-19 Using Artificial Intelligence. Radiology2020;202439. http://dx.doi.org/10.1148/radiol.2020202439[Online ahead of print].

[8] Ederhy S, Mansencal N, Réant P, Piriou N, Barone-Rochette G.Role of multimodality imaging in the diagnosis and management ofcardiomyopathies. Arch Cardiovasc Dis 2019;112:615–29.

21