Un modèle d’intelligence artificielle dans la détection des anomalies de la microcirculation par vidéo-capillaroscopie chez les patients atteints d’un phénomène de Raynaud

Abstract

Introduction

Le phénomène de Raynaud est un acrosyndrome paroxystique fréquent pouvant toucher jusqu’à 10 % de la population générale. La très grande majorité des cas est primitive et sans conséquence grave. Il peut cependant être le premier symptôme de pathologies auto-immunes, au premier rang desquelles la sclérodermie systémique. La capillaroscopie est un examen non invasif, facile à réaliser, permettant d’observer la microcirculation capillaire péri-unguéale et de classer les sujets entre Raynaud primitif ou secondaire à une pathologie auto-immune. Le but de l’étude est de développer un outil capable d’une lecture intelligente des images de capillaroscopie et de distinguer les images normales des pathologiques afin de n’adresser aux médecins uniquement les cas nécessitant leurs expertises.

Matériels et méthodes

Nous avons repris les images de vidéo-capillaroscopie réalisées chez des patients atteints d’un phénomène de Raynaud pour en constituer une banque d’image anonymisée. Une capillaroscopie normale été définie comme : une densité supérieure à 7 capillaires par millimètre, l’absence de mégacapillaires ou de capillaires ramifiés, et l’absence d’hémorragies en pile d’assiette. Le paysage sclérodermique a été définie comme une une raréfaction capillaire (< 3/mm) ou la présence de mégacapillaires. La classification des images entre normales et pathologiques a été réalisée en aveugle par deux médecins experts de capillaroscopie. Ces images ont permis d’entraîner un algorithme d’apprentissage profond déjà existant, le VGG16 pour apprendre la tâche de différenciation d’une image de capillaroscopie normale et pathologique. Deux tiers des images ont servi à alimenter le modèle, tandis que le tiers restant a permis l’évaluation de sa performance.

Résultats

Une banque de 418 images a été constituée, dont 140 normales, et issues de patients suivis pour un Raynaud idiopathique. 278 images présentaient un paysage sclérodermique, chez des patients suivis pour une sclérodermie systémique pour 95 % et pour une dermatomyosite pour 5 %. Une augmentation des données a été effectuée (rotation, translation, modification du contraste) pour atteindre un total de 4000 images. La précision du modèle, soit le pourcentage d’images correctement classées, était de 95 %. Il était notamment capable identifier l’ensemble des images classées comme paysage sclérodermique soit une spécificité de 100 %. À l’inverse, 7 images normales ont été identifiées comme anormales soit une sensibilité de 95 %.

Conclusion

À l’aide d’une banque d’image de vidéo-capillaroscopie réalisée chez des patients atteints d’un phénomène de Raynaud, un modèle d’intelligence artificielle a pu être entraîné afin de distinguer les images normales des paysages sclérodermiques avec une sensibilité de 95 % et une spécificité de 100 %.