Diagnostic basé sur un réseau neuronal utilisant l'architecture et la déformation du myocarde en trois dimensions : Démonstration pour la différenciation de la cardiomyopathie hypertrophique

Résumé

Le diagnostic des états de cardiomyopathie peut bénéficier d'approches basées sur l'apprentissage machine (ML), notamment pour distinguer les états présentant des caractéristiques phénotypiques similaires. L'analyse tridimensionnelle de la déformation du myocarde (3D-MDA) a été validée pour fournir des descripteurs standardisés de l'architecture et de la déformation du myocarde, et peut donc offrir des caractéristiques appropriées pour l'entraînement d'outils de diagnostic basés sur l'apprentissage machine. Nous avons voulu évaluer la faisabilité d'un diagnostic automatisé de la maladie à l'aide d'un réseau neuronal entraîné à l'aide de la 3D-MDA pour distinguer la cardiomyopathie hypertrophique (CMH) de ses états mimétiques : amyloïdose cardiaque (AC), maladie d'Anderson-Fabry (AFD) et cardiomyopathie hypertensive (CMH). Les données 3D-MDA de 163 patients (âge moyen 53,1 ± 14,8 ans ; 68 femmes) présentant une hypertrophie ventriculaire gauche (HVG) d'étiologie connue ont été fournies. Les données d'imagerie source provenaient de la résonance magnétique cardiaque (CMR). Les diagnostics cliniques étaient les suivants : 85 HCM, 30 HTNcm, 30 AFD, et 18 CA. Un neurone feed-forward à couches entièrement connectées a été entraîné pour distinguer la CMH des autres états simulés. La performance diagnostique a été comparée à des évaluations basées sur des seuils de marqueurs CMR volumétriques et de déformation, en plus des caractéristiques cliniques de base des patients. Les mesures basées sur les seuils ont fourni une performance modeste, la plus grande surface sous la courbe (AUC) étant de 0,70. Les paramètres de déformation globale ont présenté une performance réduite, avec une AUC inférieure à 0,64. Un réseau neuronal formé exclusivement à partir de données 3D-MDA a obtenu une AUC de 0,94 (sensibilité 0,92, spécificité 0,90) pour la même tâche. Cette étude démontre que le diagnostic par ML des états de cardiomyopathie, réalisé exclusivement à partir de données 3D-MDA, est réalisable et peut distinguer la CMH des états pathologiques simulés. Ces résultats suggèrent un fort potentiel pour le diagnostic assisté par ordinateur dans la pratique clinique.