"Certains parlent d’intelligence artificielle, mais la réalité est que cette technologie va nous améliorer. Donc, au lieu d’intelligence artificielle, je pense que nous augmenterons notre intelligence" Ginni Rometty
"Il semble probable qu’une fois que la méthode de pensée des machines aura commencé, elle ne tardera pas à dépasser nos faibles pouvoirs… Elles seront capables de converser entre elles pour aiguiser leur esprit. À un moment donné, nous devrions donc nous attendre à ce que les machines prennent le contrôle" Inspiré d'Alan Turing

Pisu F, Williamson BJ, Nardi V, Paraskevas KI, Puig J, Vagal A, de Rubeis G, Porcu M, Cau R, Benson JC, Balestrieri A, Lanzino G, Suri JS, Mahammedi A, Saba L. Machine Learning Detects Symptomatic Plaques in Patients With Carotid Atherosclerosis on CT Angiography.

L'apprentissage automatique détecte les plaques symptomatiques chez les patients atteints d'athérosclérose carotidienne lors d'une angiographie par tomodensitométrie.

Circ Cardiovasc Imaging. 2024 Jun;17(6):e016274. doi:
https://pmc.ncbi.nlm.nih.gov/articles/PMC11186714/
Article en libre accès

Contexte

Cette étude visait à développer et à valider un modèle d'apprentissage automatique basé sur l'angiographie par tomodensitométrie qui utilise les données de composition de la plaque et le degré de sténose carotidienne pour détecter les plaques carotidiennes symptomatiques chez les patients atteints d'athérosclérose carotidienne.

Méthodes

Le modèle d’apprentissage automatique a été entraîné à partir du degré de sténose et des volumes de 13 sous-composants de la plaque intracarotidienne dérivés de l’angioscanner (par exemple, lipides, hémorragie intraplaque, calcium) afin d’identifier les plaques associées aux accidents vasculaires cérébraux. Le modèle a été validé en interne par validation croisée à 10 itérations et testé sur une cohorte de test dédiée, en fonction de sa discrimination et de sa calibration.

Résultats

Cette étude rétrospective monocentrique a évalué les angiographies par tomodensitométrie de 268 patients présentant une athérosclérose carotidienne symptomatique ou asymptomatique (163 pour l’ensemble de dérivation et 106 pour l’ensemble de test), réalisées entre mars 2013 et octobre 2019. L’aire sous la courbe ROC (AUC) obtenue par apprentissage automatique sur la cohorte de test (0,89) était significativement supérieure à celle obtenue par analyse logit traditionnelle, en fonction respectivement du degré de sténose (0,51 ; p < 0,001), de la présence d’une hémorragie intraplaque (0,69 ; p < 0,001) et de la composition de la plaque (0,78 ; p < 0,001). Des performances comparables ont été obtenues lors de la validation interne. Les composants de la plaque identifiés et les valeurs seuils associées qui étaient significativement associées à une probabilité plus élevée d'état symptomatique après ajustement étaient le rapport de l'hémorragie intraplaque au volume lipidique (≥50%, 38,5 [10,1-205,1] ; odds ratio, IC à 95 %) et le pourcentage du volume d'hémorragie intraplaque (≥10%, 18,5 [5,7-69,4] ; odds ratio, IC à 95 %).

Conclusions

Cette étude a présenté un modèle d'apprentissage automatique interprétable qui identifie avec précision les plaques carotidiennes symptomatiques à l'aide des caractéristiques de composition des plaques dérivées de l'angiographie par tomodensitométrie, facilitant ainsi la prise de décision clinique.

SYNTHESE NOTEBOOKLM

Cette étude présente un modèle d'intelligence artificielle conçu pour identifier les plaques carotidiennes à haut risque chez les patients souffrant d'athérosclérose. Contrairement aux méthodes traditionnelles basées sur le degré de rétrécissement de l'artère, cette approche utilise l'apprentissage automatique pour analyser la composition volumétrique précise des tissus par scanner. Les chercheurs ont découvert que le volume d'hémorragie intra-plaque et son rapport avec les tissus lipidiques sont les indicateurs les plus fiables pour prédire un accident cérébrovasculaire. L'objectif final est de fournir aux cliniciens un outil de décision interprétable et transparent, permettant de surpasser les limites des diagnostics standards pour mieux prévenir les AVC.

C10

C11

C12

Commentaire

L'étude ULTABO (cf infra) a étudié 247 000 échantillons de carotides avec simplement des plaques afin qu'une TA robotique puisse les détecter.

Dans l'article concernant la quantification des sténoses carotidiennes post-angioscanner, 268 patients ont été analysés.

Ce qui serait très intéressant en médecine vasculaire, serait l'analyse des plaques détectées par écho-Doppler par une assistance IA.

Il faudrait donc X images carotidiennes présentant une sténose très significative, avec les lésions en écho-Doppler, en angioscanner et avec les pièces opératoires pour mettre en place un tel programme.

Le groupe de travail IA VAC de la SFMV doit s'y atteler, une discussion est en cours. Il faudra que les constructeurs nous suivent .