Une nouvelle approche de classification vidéo basée sur l'apprentissage automatique pour détecter la pneumonie chez les patients COVID-19 à l'aide d'une échographie pulmonaire.

Résumé :

Le diagnostic efficace de la pneumonie liée au COVID-19 est d'une grande importance clinique. L'échographie au point de service permet de détecter les conditions pulmonaires par le biais de modèles d'artefacts, tels que les lignes B groupées. Objectifs : L'objectif est de classer les vidéos d'échographie pulmonaire en trois catégories : Normale (contenant des lignes A), anomalies interstitielles (lignes B), et anomalies confluentes (épanchement pleural/consolidations) en utilisant une approche semi-automatique. Cadre et conception : Il s'agissait d'une étude observationnelle prospective utilisant 1530 vidéos chez 300 patients présentant une suspicion clinique de pneumonie COVID-19, où les données ont été recueillies et étiquetées par des experts humains par opposition à l'apprentissage automatique. Sujets et méthodes : Les experts ont étiqueté chacune des vidéos dans l'une des trois catégories. Les étiquettes ont été utilisées pour entraîner un réseau neuronal à effectuer automatiquement la même classification. Le réseau neuronal proposé utilise une approche unique à deux flux, l'un basé sur l'entrée brute du canal rouge-vert-bleu (RVB) et l'autre constitué d'informations sur la vitesse. De cette manière, les caractéristiques spatiales et temporelles des ultrasons peuvent être capturées. Analyse statistique utilisée : Une approche de validation croisée 5 fois a été utilisée pour l'évaluation. Le kappa de Cohen et le AC1 de Gwet sont calculés pour mesurer la concordance avec l'évaluateur humain pour les trois catégories. Les cas sont également divisés en anomalies interstitielles (lignes B) et autres (lignes A et anomalies confluentes) et les courbes précision-rappel et courbe d'exploitation du récepteur sont créées. Résultats : Cette étude a démontré la robustesse de la détermination des anomalies interstitielles, avec un score F1 élevé de 0,86. En ce qui concerne la concordance entre les anomalies interstitielles et les autres anomalies, la méthode proposée a obtenu un score AC1 de Gwet de 0,88. Conclusions : Cette étude démontre l'utilisation d'une approche d'apprentissage profond pour classer les artefacts contenus dans les vidéos d'échographie pulmonaire de manière robuste.