"En 2050, voir c'est prévenir : l'imagerie médicale anticipe la maladie avant qu'elle ne naisse." MedTech France 

"Pixel par pixel, l'imagerie de demain dessinera une médecine sur mesure, prédictive et sans frontières." FNMR

"En 2050, radiologues et IA uniront leur regard pour révéler l'invisible et guider chaque soin en temps réel. " MedTech France


Préambule : l'imageirie OCT / Perplexity - IA

L'imagerie OCT coronaire, ou tomographie par cohérence optique intracoronaire, est une technique d'imagerie endovasculaire qui utilise une fibre optique miniature introduite dans les artères coronaires. Elle fournit des images en coupe de très haute résolution (environ 10 microns), bien supérieures à celles de l'échographie intravasculaire (IVUS) ou de l'angiographie classique.

Cette technique permet une visualisation précise de la morphologie et de la microstructure des plaques d'athérome, des calcifications, ainsi que des stents après angioplastie (pour détecter les resténoses ou thromboses). L'OCT coronaire est très utilisé en cardiologie interventionnelle pour guider le traitement percutané des lésions coronaires, et pour mieux évaluer le risque des plaques instables.

Le principe repose sur la réflexion et l'absorption de la lumière infrarouge qui balaie la paroi artérielle via un cathéter optique rotatif, après rinçage du segment avec un produit de contraste. L'image obtenue offre une vue longitudinale et axiale des parois coronaires avec un niveau de détail permettant d'orienter les décisions thérapeutiques de manière plus précise.

Contexte et objectifs

 Les fibro-athéromes coronaires à calotte mince (TCFA) sont associés à des effets indésirables, mais leur identification requiert une expertise et un temps considérables.

Cette étude a évalué l'utilité de l'intelligence artificielle (IA) pour l'identification des TCFA en lien avec les résultats cliniques.

Méthodes

L'étude PECTUS-AI est une analyse secondaire de l'étude observationnelle prospective PECTUS-OBS, dans laquelle 438 patients atteints d'infarctus du myocarde ont subi une tomographie par cohérence optique (OCT) de toutes les lésions non coupables à réserve de débit fractionnaire négatif (c'est-à-dire les lésions cibles). Les images OCT ont été analysées pour la présence de TCFA par un laboratoire central indépendant (CL-TCFA) et OCT-AID, un algorithme de segmentation par IA récemment développé et validé (AI-TCFA). Le critère d'évaluation principal a été défini comme un composite de décès toutes causes confondues, d'infarctus du myocarde non mortel ou de revascularisation non planifiée à 2 ans (± 30 jours). Les événements liés à la procédure et au stent sont exclus.

Résultats

Parmi 414 patients, l'AI-TCFA et le CL-TCFA ont été identifiés chez 143 (34,5 %) et 124 (30,0 %) patients, respectivement. L'AI-TCFA dans la lésion cible était significativement associée au critère d'évaluation principal [rapport de risque (HR) 1,99, intervalle de confiance (IC) à 95 % 1,02-3,90, P = 0,04], tandis que le HR pour le CL-TCFA n'était pas significatif (1,67, IC à 95 % : 0,84-3,30, P = 0,14). Lors de l'évaluation du retrait complet, l'AI-TCFA a montré une association encore plus puissante avec le critère d'évaluation principal (HR 5,50, IC à 95 % : 1,94-15,62, P < 0,001 ; valeur prédictive négative 97,6 %, IC à 95 % : 94,0 %-99,3 %).

Courbes de survie pour le critère principal selon la présence ou l'absence de TCFA. Courbes de survie pour le critère principal composite selon la présence ou l'absence d'AI-TCFA dans la lésion cible ( A ), de CL-TCFA dans la lésion cible ( B ) et d'AI-TCFA dans le segment complet imagé ( C ). AI-TCFA, fibroathérome à calotte mince identifié par intelligence artificielle ; CL-TCFA, fibroathérome à calotte mince reconnu par le laboratoire central. * Comparaison au niveau des patients des cas positifs à l'AI-TCFA et des cas négatifs à l'AI-TCFA. ^† Comparaison au niveau des patients des cas positifs à la CL-TCFA et des cas négatifs à la CL-TCFA.

Conclusions 

L’analyse d’images OCT établie sur l’IA permet une identification standardisée des patients présentant un risque accru d’effets cardiovasculaires indésirables, offrant ainsi une alternative à l’analyse manuelle des images. De plus, l’évaluation assistée par IA de segments d’images complets offre une meilleure valeur discriminante pronostique que l’évaluation de la lésion cible seule.

Discussion

Cette étude a évalué la valeur de l'OCT-AID pour le pronostic des patients après un infarctus du myocarde grâce à l'identification des TCFA. Les principaux résultats étaient les suivants :
(i) l'identification des TCFA par IA à l'aide de l'OCT était réalisable, ne nécessitant l'exclusion que d'un très faible pourcentage d'images ;
(ii) la concordance entre l'IA-TCFA et la CL-TCFA était bonne à modérée, tant au niveau du patient qu'au niveau de la lésion.
(iii) l'IA-TCFA a montré une association significative avec les événements cardiovasculaires indésirables.
(iv) la valeur pronostique discriminante supplémentaire de l'IA a été obtenue en évaluant un retrait complet de l'OCT par rapport à l'évaluation de la lésion cible uniquement.

Ces résultats indiquent le potentiel de l'IA pour le pronostic de manière robuste, standardisée et exhaustive, offrant une alternative à l'évaluation manuelle, non standardisée et sur site des images, et facilitant potentiellement les interventions ad hoc (résumé graphique structuré ).

Pour surmonter la variabilité interobservateur dans l'identification des plaques à risque élevé, qui est une tâche laborieuse, des méthodologies automatisées sont justifiées. De telles méthodologies standardiseraient idéalement l'interprétation des images OCT avec des précisions comparables à celles des laboratoires originelles dédiés, et surtout avec une association avec les résultats cliniques. Nous avons précédemment démontré que notre algorithme établi sur l'apprentissage profond peut fournir une segmentation précise de l'ensemble des vaisseaux et une quantification des plaques.   Dans la présente étude, nous n'avons trouvé qu'une correspondance passable à modérée entre l'AI-TCFA et le CL-TCFA, ce qui est cependant conforme aux études précédentes démontrant une variabilité interobservateur importante pour l'identification du TCFA. ^6 , 7 De plus, l'épaisseur minimale médiane de la coiffe fibreuse déterminée par l'IA sur les cadres contenant du CL-TCFA était proche de la valeur seuil de 65 µm utilisée pour définir le TCFA.

Malgré cette concordance limitée, l'IA-TCFA était significativement associée au critère d'évaluation principal au niveau du patient, avec une valeur discriminante au moins comparable aux analyses de laboratoire de référence lorsqu'elle était évaluée au sein de la lésion cible et une valeur discriminante supérieure lorsqu'elle était utilisée pour évaluer le segment d'imagerie complet. Ces résultats témoignent du potentiel pronostique de l'IA. Premièrement, l'OCT-AID permet une évaluation rapide et complète de chaque image analysable, tandis que les analyses d'images manuelles se limitent généralement au dépistage de la lésion, avec au mieux des mesures sur une seule image ou un nombre limité d'images. Deuxièmement, la méthodologie proposée permet une évaluation d'images reproductible et peut ainsi contribuer à combler l'écart entre les résultats issus de contextes de recherche standardisés et la pratique clinique quotidienne. De plus, elle surmonte la limitation de la variabilité interobservateur manuelle. Par exemple, l'essai randomisé PREVENT a démontré que le traitement préventif des plaques à haut risque pouvait être bénéfique ; cependant, les divergences entre l'évaluation manuelle des images sur site et les analyses post-hoc en laboratoire de référence ont accentué les difficultés de détection des plaques à haut risque. ⁸ Par conséquent, l'algorithme proposé a le potentiel de permettre une évaluation périprocédurale standardisée des images OCT, facilitant potentiellement les interventions ponctuelles pour les plaques à haut risque.

De futures études de validation sont nécessaires pour étayer les résultats de notre étude et renforcer la validité de notre approche établie sur l'IA. À cet égard, une étude de validation comparant l'algorithme à l'histologie comme norme de référence et une étude de lecture en ligne sont actuellement en cours. À terme, une évaluation clinique prospective est justifiée pour évaluer la faisabilité et l'intérêt d'une identification des plaques à haut risque basée sur l'IA dans les soins cliniques.

Un nombre restreint d'études ont déjà appliqué l'IA dans le même but. Niioka et al. ont évalué un algorithme de classification par image pour la présence de TCFA et ont trouvé une association significative avec le TCFA identifié par l'IA et les événements au niveau du patient et au niveau de la lésion.  Cependant, les algorithmes de classification ont généralement une explicabilité inférieure à celle des modèles de segmentation sémantique tels que l'OCT-AID dont les prédictions peuvent être comparées aux pixels correspondants. Hong et al .  ont défini le rapport lipides/capsules comme une nouvelle mesure pour identifier les plaques à haut risque en utilisant un autre modèle de segmentation sémantique. Les patients avec un rapport lipides/capsules > 0,33 présentaient un risque presque 20 fois plus élevé d'événements de lésion non coupable au niveau du patient.   Enfin, Biccirè et al .  ont obtenu un graphique de répartition des lipides en utilisant l'apprentissage profond semblable à ceux normalement obtenus en utilisant la spectroscopie proche infrarouge. Français Lors de l'évaluation dans l'ensemble de données CLIMA, l'indice de charge lipidique de base dans les 4 mm était associé à un risque 2,5 fois plus élevé du critère d'évaluation principal CLIMA, ce qui était inférieur aux HR obtenus à l'aide des analyses de laboratoire de base.  Cependant, les analyses de laboratoire de base ont été réalisées avec des caractéristiques de plaque différentes, ce qui limite la comparaison directe entre l'IA et les résultats de laboratoire de base. En revanche, notre comparaison directe entre les résultats de laboratoire de base et d'IA démontre, pour la première fois, que l'IA peut être au moins comparable à l'évaluation basée sur le laboratoire de base pour le pronostic grâce à l'identification des plaques à haut risque.

Il est intéressant de noter que l'AI-TCFA a été détecté en dehors de la lésion cible chez environ 35 % des patients sans AI-TCFA dans celle-ci, et une association encore plus forte a été observée entre l'AI-TCFA et une issue défavorable lors de l'évaluation du segment d'imagerie complet. Ces résultats indiquent que la vulnérabilité de la plaque ne se limite pas aux lésions non responsables visuellement identifiables, mais qu'elle affecte l'ensemble du système vasculaire coronaire épicardique. Fait remarquable, l'IA a identifié tous les patients décédés au cours des deux premières années de suivi, sauf un, et moins de 2 % des patients sans AI-TCFA ont nécessité une revascularisation pendant le suivi. Cette valeur prédictive négative très élevée (97,6 %) pourrait être d'une précieuse valeur clinique pour le pronostic après un infarctus du myocarde. Ces résultats soulignent une fois de plus l'intérêt potentiel de l'IA, d'autant plus que l'évaluation manuelle et complète de l'image d'un segment d'imagerie complet est pratiquement impossible sur site.

Il est important de noter que, dans la présente étude, l'AI-TCFA a été défini selon des critères standard établis sur des mesures ponctuelles. Afin de réduire le risque de diagnostics faussement positifs à l'AI-TCFA dus à des mesures ponctuelles, nous avons appliqué un seuil de trois images répondant aux critères de l'AI-TCFA avant qu'une lésion ne soit qualifiée d'AI-TCFA. Ce seuil imite l'interprétation humaine, car il est peu probable que des observateurs humains classent une lésion comme positive à l'AI-TCFA si une seule image répond aux critères définis et que les autres ne le font pas. La question de savoir si des analyses de plaque plus complètes, rendues possibles par l'application de l'AI et potentiellement impossibles à réaliser manuellement, ^offrent une valeur prédictive supérieure, reste spéculative.

RESUME GENERATIF

SYNTHÈSE
Ce document présente une étude évaluant l'efficacité de l'intelligence artificielle (IA) dans l'identification des fibrothéromes à cap fin (TCFA) à partir d'images de tomographie par cohérence optique (OCT), et son association avec les résultats cliniques. L'étude, nommée PECTUS-AI, est une analyse secondaire d'une cohorte prospective de patients ayant subi un infarctus du myocarde. Les chercheurs ont comparé la détection des TCFA par un laboratoire central indépendant et par un algorithme d'IA appelé OCT-AID. Les résultats indiquent que l'IA peut identifier de manière standardisée les patients à risque accru d'événements cardiovasculaires indésirables, et que l'évaluation des segments d'images complets par l'IA offre une meilleure valeur pronostique que l'analyse manuelle ciblée.

Commentaire
Dans la  VRAIE VIE , nous ne disposons pas de l'OCT, loin de là. Déjà pour avoir un angioscanner, il faut se battre, alors pour le reste, cette technique est réservée à des centres de référence… et encore. Il faut faire comprendre aux patients, à nos confrères que pour l'instant on fait simple, car on ne peut pas faire autrement. Le hiatus entre la recherche et notre quotidien est énorme. La situation actuelle de la médecine de terrain est un sérieux obstacle aux examens de ce type. Alors, oui, peut-être demain ou aprés demain !