fr.wedoany.com Rapport : Une étude rétrospective publiée dans la revue Radiology indique qu'un modèle d'apprentissage profond basé sur l'angiographie coronaire par tomodensitométrie pourrait permettre une quantification entièrement automatique des plaques coronariennes. Cette étude, menée par l'équipe du Dr Qian Chen du département de radiologie du premier hôpital de Nanjing, affilié à l'université de médecine de Nanjing, a développé et validé un modèle d'apprentissage profond entièrement automatique nommé PlaqueSegNet.
L'ensemble d'entraînement de l'étude comprenait 1 409 patients (âge moyen 63 ans), et l'ensemble de validation interne comprenait 604 patients (âge moyen 63 ans). Dans la cohorte totale, 61 % des patients présentaient un angor stable et 30 % un angor instable. Lors de la validation sur quatre ensembles de données externes, la corrélation de cohérence (coefficient de corrélation intra-classe) entre ce modèle d'apprentissage profond et les lecteurs experts ainsi que l'évaluation par échographie intravasculaire pour l'estimation du volume des plaques dépassait 90 %. Plus précisément, dans les échantillons appariés d'angiographie coronaire par tomodensitométrie et d'échographie intravasculaire, la cohérence entre PlaqueSegNet et l'échographie intravasculaire pour l'estimation du volume des plaques était de 93 %, et aucune différence significative n'a été observée concernant le volume des plaques calcifiées, non calcifiées ou mixtes. Dans le sous-groupe comparé aux lecteurs experts, la cohérence atteignait 94 %, et aucune différence notable n'a été constatée entre les tomodensitomètres de différents fabricants.
Dans une cohorte de 10 644 patients atteints de maladie coronarienne non obstructive, les patients dont le volume total de plaques, évalué par PlaqueSegNet, se situait dans le quartile supérieur présentaient un rapport de risque ajusté pour les événements cardiaques indésirables majeurs 2,25 fois supérieur à celui des patients du quartile inférieur. Le Dr Qian Chen et ses collègues soulignent : « Ces résultats renforcent le rôle de la quantification entièrement automatique du volume des plaques dans l'amélioration de la stratification des risques, en particulier dans la population de patients atteints de maladie coronarienne non obstructive, fréquente en pratique clinique. »
Dans une autre cohorte comprenant 270 patients ayant subi des angiographies coronaires par tomodensitométrie consécutives, avec un suivi médian de 3,6 ans, l'indice C du modèle d'apprentissage profond pour prédire les événements cardiaques indésirables majeurs en détectant la progression des plaques était de 74 %. Les patients présentant une progression des plaques avaient une probabilité 2,52 fois plus élevée de subir un événement cardiaque indésirable majeur. L'équipe de recherche ajoute : « À notre connaissance, notre étude est la première à évaluer la reproductibilité d'un modèle basé sur l'apprentissage profond pour la quantification des plaques lors d'angiographies coronaires par tomodensitométrie consécutives, et démontre le potentiel des modèles basés sur l'apprentissage profond dans le suivi des changements de volume des plaques et l'orientation des traitements personnalisés. »
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
