Apprentissage contrasté et sous-typage des images de tomodensitométrie pulmonaire post-COVID-19 Résumé Les patients qui se sont remis de la nouvelle maladie à coronavirus 2019 (COVID-19) peuvent présenter divers symptômes à long terme. Puisque le poumon est le site d’infection le plus courant, des séquelles pulmonaires peuvent survenir de manière persistante chez les survivants du COVID-19. Pour mieux comprendre les symptômes associés au déclin de la fonction pulmonaire chez les patients post-COVID-19, nous avons cherché à créer un modèle d’apprentissage profond qui effectue deux tâches : différencier les sujets post-COVID-19 des sujets sains et identifier les sujets post-COVID-19. Sous-types de COVID-19, basés sur les représentations latentes des tomodensitométries pulmonaires (TDM) . Des tomodensitogrammes de 140 sujets post-COVID-19 et de 105 témoins sains ont été analysés. Un nouveau modèle d’apprentissage a été développé en introduisant une transformation du volume pulmonaire pour apprendre les caractéristiques latentes des phénotypes de maladie à partir des tomodensitogrammes d’inspiration et d’expiration des mêmes sujets. Le modèle a atteint une précision de 90 % pour différencier les sujets post-COVID-19 des témoins sains. Deux groupes (C1 et C2) présentant des caractéristiques distinctes ont été identifiés parmi les sujets post-COVID-19. C1 présentait une plus grande rétention d’air causée par une maladie des petites voies respiratoires (4,10 %, p = 0,008) et la capacité de diffusion du % prévu de monoxyde de carbone (% prévu de DLCO, 101,95 %, p < 0,001), tandis que C2 présentait une diminution du volume pulmonaire (4,40). l, p < 0,001) et une augmentation de l’opacité du verre dépoli (GGO%, 15,85%, p < 0,001). Le modèle d’apprentissage contrastif est capable de capturer les caractéristiques latentes de deux sous-types post-COVID-19 caractérisés par un piégeage d’air dû à une petite maladie des voies respiratoires et à des modèles fibrotiques interstitiels associés aux voies respiratoires, respectivement. La découverte de sous-types post-COVID-19 suggère la nécessité d’une prise en charge et de traitements différents des séquelles à long terme des patients post-COVID-19. |
Les images TLC et VR des sujets représentatifs de chaque groupe. Les première et troisième colonnes présentaient les cartes d’activation indiquant les régions importantes pour déterminer si les sujets étaient des sujets post-COVID-19 (rouge) ou des sujets témoins (violet).
commentaires
Pour les patients souffrant de symptômes respiratoires persistants du nouveau coronavirus, une radiographie pulmonaire ne peut pas révéler grand-chose. Les analyses bidimensionnelles (2D) ne peuvent tout simplement pas distinguer une fonction pulmonaire compromise. Pour ce diagnostic, une technique de tomodensitométrie plus tridimensionnelle (3D) est nécessaire.
Cependant, de nombreuses cliniques médicales aux États-Unis ne disposent pas d’appareils de tomodensitométrie, laissant les patients atteints de longue COVID avec peu d’informations sur leur fonction pulmonaire.
Cela peut changer. Dans une nouvelle étude, des chercheurs de l’Université de l’Iowa ont développé ce qu’on appelle un modèle d’apprentissage contrastif . Ce modèle « apprend » à partir d’images composites 2D construites à partir d’images CT 3D pour détecter une fonction pulmonaire compromise chez les patients atteints de COVID longue. Une autre technique, appelée apprentissage par transfert , transmet ensuite les informations de diagnostic pulmonaire d’un scanner à une radiographie pulmonaire, permettant à l’appareil de radiographie pulmonaire de détecter des anomalies comme si ces patients avaient utilisé un scanner.
Dans l’étude, les chercheurs ont montré comment leur modèle d’apprentissage contrasté pourrait être appliqué pour détecter les petites maladies des voies respiratoires , qui constituent un stade précoce d’une fonction pulmonaire compromise chez les patients atteints d’une longue forme de COVID. Parmi les patients atteints de COVID long, les modèles étaient suffisamment avancés pour distinguer la gravité de la fonction pulmonaire compromise, séparant ceux atteints d’une petite maladie des voies respiratoires de ceux présentant des problèmes respiratoires plus avancés.
"Le nouvel élément du modèle consiste à extraire les informations des tomodensitogrammes 3D montrant le volume pulmonaire et à transférer ces informations vers un modèle qui montrera ces mêmes caractéristiques dans des images 2D", expliquent Ching-Long Lin, Edward M. Mielnik et Samuel R. Professeur Harding et directeur du département de génie mécanique de l’Iowa College of Engineering. « Les médecins pourraient utiliser des radiographies pulmonaires pour détecter ces résultats. "C’est la perspective plus large."
Les chercheurs ont basé leur modèle sur les tomodensitogrammes de 100 personnes qui ont été infectées par la souche originale de COVID et qui se sont rendues dans les hôpitaux et cliniques de l’assurance-chômage pour y être diagnostiquées avec des problèmes respiratoires entre juin et décembre 2020. Beaucoup de ces patients atteints de COVID de longue durée souffraient d’une maladie des petites voies respiratoires. , un diagnostic rapporté par Alejandro Comellas, professeur clinicien de médecine interne-pulmonaire, de soins intensifs et de médecine du travail, dans un article publié en mars dernier dans la revue Radiology.
La maladie des petites voies respiratoires affecte un réseau de plus de 10 000 tubes au niveau des connexions pulmonaires, où l’air oxygéné se mélange au sang pour être transporté dans tout le corps. Les personnes atteintes d’une maladie des petites voies respiratoires ont un grand nombre de ces vaisseaux sanguins rétrécis, ce qui limite l’échange d’oxygène et de sang dans les poumons et empêche la respiration en général.
Lin et son équipe ont collecté des points de données à deux intervalles sur les tomodensitogrammes des poumons : lorsque le patient inspirait et lorsqu’il expirait. Les chercheurs ont comparé leurs résultats à un groupe témoin qui n’avait pas contracté le virus lors de la création du modèle d’apprentissage contrastif.
«Nos modèles ont réussi à identifier une diminution de la fonction pulmonaire chez les patients atteints d’un long COVID par rapport à ceux qui n’avaient pas contracté le virus», explique Lin, dont l’expertise est dans l’apprentissage automatique et la simulation informatique de la dynamique des fluides et des particules.
L’équipe de Lin a fait progresser le modèle afin qu’il puisse séparer les patients atteints d’une maladie des petites voies respiratoires de ceux présentant des complications plus avancées, telles que l’emphysème.
« L’étude a démontré de manière indépendante que les patients post-COVID présentent deux types de lésions pulmonaires (une petite maladie des voies respiratoires et une fibrose/inflammation du parenchyme pulmonaire) qui persistent après qu’ils se soient remis de leur infection initiale par le SRAS-CoV. » 2 », explique Comellas, co-auteur de cette étude.
"Les radiographies pulmonaires sont abordables, tandis que les tomodensitogrammes sont plus chers et moins accessibles", ajoute Lin. "Notre modèle peut être encore amélioré et je pense qu’il est possible de l’utiliser dans toutes les cliniques sans avoir à acheter des équipements d’imagerie coûteux tels que des tomodensitomètres."
Les auteurs notent que l’étude est limitée, en partie parce que la taille de l’échantillon est petite et que les patients proviennent d’un seul centre médical. Un échantillon plus grand, écrivent-ils, pourrait révéler davantage de variations dans la fonction pulmonaire résultant d’un long COVID.
L’étude, « Apprentissage contrastif et sous-typage des images CT pulmonaires post-COVID-19 », a été publiée dans la revue Frontiers in Physiology . Les co-auteurs, tous originaires de l’Iowa, comprennent Frank Li, Xuan Zhang, Eric Hoffman et Tianbao Yang.
Le National Heart, Lung, and Blood Institute, une branche des National Institutes of Health des États-Unis ; et le ministère américain de l’Éducation a financé la recherche.
