Pronostic du COVID-19 par l’intelligence artificielle (IA)

L'analyse des images pulmonaires basée sur l'IA améliore l'évaluation de la gravité de la maladie, réduisant ainsi la surcharge des unités de soins intensifs grâce à des critères d'admission normalisés pour les patients atteints de Covid-19. Il est essentiel de développer la recherche sur l'IA pour l'intégrer dans la pratique clinique.

  • Contexte

    Dropdown Icon

    La segmentation automatisée du Covid-19 et la quantification de l'atteinte pulmonaire à l'aide de l'apprentissage profond sont prometteuses. Cependant, il existe des disparités entre les études des cliniciens et celles des communautés de l'IA. L'intégration de l'IA dans la pratique clinique nécessite de relever les défis liés à la classification de la gravité, à la caractérisation des lésions pulmonaires, à l'intégration des données d'imagerie multimodale, à la quantification robuste de la gravité de la Covid long et à la compréhension des phases aiguës à chroniques.

  • Objectifs

    Dropdown Icon

    Cette étude visait à développer une approche modulaire basée sur l'IA pour modéliser l'état actuel d'un patient et prédire l'évolution à court et à long terme. Les objectifs spécifiques étaient d'établir un système d'évaluation de la gravité basé sur l'échelle de progression clinique de l'OMS, de prédire si les patients ont besoin d'une intubation après sept jours sur la base des images médicales de base, et de créer un modèle d'IA pour prédire la gravité de la maladie de Covid-19 dans la phase chronique.

  • Résultats

    Dropdown Icon

    Notre modèle d'IA, AssessNet-19, a obtenu un score F1 de 0,76±0,02 pour la classification de la gravité dans l'ensemble d'évaluation, ce qui était supérieur aux trois radiologues thoraciques experts (F1=0,63±0,02) et au modèle de segmentation des lésions à classe unique (F1=0,64±0,02). En outre, la segmentation multi-classe automatisée des lésions AssessNet-19 a obtenu un score de Dice moyen de 0,70 pour l'opacité en verre (GGO), 0,68 pour la consolidation, 0,65 pour l'épanchement pleural et 0,30 pour les structures en forme de bande par rapport à la vérité de terrain. En outre, il a obtenu une grande concordance avec les radiologues pour quantifier l'étendue de la maladie avec un Kappa de Cohen de 0,94, 0,92 et 0,95.

    Les transformateurs de vision transférables guidés par les masques GGO et CON ont obtenu un score F1 de 0,6972 et un AUC de 0,7452 pour la tâche de prédiction de l'intubation à 7 jours dans l'ensemble de test. Il surpasse le transformateur de vision formé sur les DRR et testé sur les XR avec un score F1 de 0,5819 et un score AUC de 0,6785. En outre, le transformateur de vision transférable guidé par le masque GGO et CON génère des cartes d'attention naturelles avec les résultats de prédiction, montrant les régions importantes pour la prédiction du modèle.

  • Contribution à la lutte contre la pandémie actuelle

    Dropdown Icon

    Un ensemble de données multicentriques sur le Covid-19 : des données radiologiques, cliniques et de laboratoires diverses, qui réduisent les biais et améliorent la généralisabilité avec des cas variés, des sévérités différentes, des sources de tomodensitométrie et l'utilisation d'un produit de contraste. Un nouveau modèle radiomique multi-classes d'IA comprenant sept lésions pulmonaires pour évaluer la gravité de la maladie sur la base de l'échelle OMS-CPS détermine plus précisément la gravité des patients qu'un modèle à classe unique et que l'évaluation des radiologues.

  • Titre original

    Dropdown Icon

    AI-multi-omics-based Prognostic Stratification of COVID-19 Patients in Acute and Chronic State