JFHOD

Introduction

La gastrite chronique peut entraîner des lésions épithéliales comme l’atrophie glandulaire ou la métaplasie intestinale (AGMI). La reconnaissance de l'AGMI est difficile ; elle peut être améliorée par l’examen en lumière bleue-verte (LBV). L’analyse des images par intelligence artificielle (IA) permettrait d’améliorer sa reconnaissance. Le but de cette étude était d’évaluer les performances de l’analyse d’images endoscopiques en LBV à l’aide de deux méthodes basées sur l’IA dans la reconnaissance de l'AGMI.

Patients et Methodes

Nous avons collecté des vidéos haute définition en LBV (NBI Olympus) réalisées lors de l’exploration endoscopique de l’antre gastrique de 57 patients. Des biopsies ont été réalisées sur les zones les plus pathologiques. Dix fragments d’images représentatifs d’une pathologie (patchs de taille 112x112 pixels) ont été sélectionnés à partir des vidéos de chaque patient. Les patients étaient séparés en fonction de leurs résultats histologiques : 12 témoins (muqueuse normale), 9 avec gastrite active, 36 avec gastrite chronique dont 7 avec atrophie, 11 avec métaplasie intestinale et 18 sans aucune de ces deux lésions. Dans un premier temps, nous avons séparé les différents patchs en prédisant leur histologie grâce à plusieurs outils de traitement d’image et un processus de reconnaissance basé sur l’intelligence artificielle de type reconnaissance automatique (méthode 1). Dans un deuxième temps, au sein des groupes de patients, nous avons sélectionné un sous-ensemble de 177 patchs caractéristiques des pathologies. Ces patchs ont été annotés à l’aveugle par trois opérateurs indépendants. Dans le même temps, les opérateurs ont noté 5 caractéristiques jugées discriminantes et facilement reconnues par l'intelligence artificielle de 0 à 3. Après programmation des outils d’intelligence artificielle à identifier et à noter spécifiquement ces caractéristiques, nous avons à nouveau séparé les patchs en fonction de leur histologie prédite (méthode 2).

Résultats

En utilisant la méthode 1, nous avons séparé les patchs selon les 5 types histologiques prédits et comparé notre classification à l’histologie. Les types histologiques les mieux prédits étaient la gastrite chronique non compliquée (Se 0,75 ; Spe 0,61) et l’atrophie (Se 0,73 ; Spe 0,96). Les types histologiques les moins bien prédits étaient la métaplasie intestinale (Se 0,47 ; Spe 0,92), la gastrite active (Se 0,38 ; Spe 0,90) et la muqueuse normale (Se 0,13 ; Spe 0,94). Nous avons répété cette identification avec la méthode 2. Le diagnostic des opérateurs associé aux patchs caractéristiques était reproductible entre les trois opérateurs avec un score kappa de 0,76 (accord fort). Les résultats de la comparaison entre notre identification et l’histologie sont présentés dans le tableau 1.

Tableau 1 : Performances diagnostiques de notre méthode d’IA entraînée pour l’identification du type histologique correspondant aux patchs analysés.

Les résultats de classification ont été significativement améliorés par rapport à la reconnaissance automatique. Tous les types histologiques ont été identifiés avec une spécificité supérieure à 85%, et une sensibilité supérieure à 75% sauf en ce qui concerne la gastrite chronique non compliquée et la métaplasie intestinale.

Nos deux méthodes étaient applicables sur le flux vidéo de l’endoscope en temps réel, permettant l’incrustation de patchs colorés directement sur le moniteur d’endoscopie en fonction du type histologique identifié.

Discussion

Conclusion

Nous avons comparé les performances diagnostiques de deux méthodes basées sur l’intelligence artificielle dans la reconnaissance de types histologiques de la muqueuse gastrique incluant de l'AGMI, à partir d’images endoscopiques NBI issues du flux vidéo.  La méthode basée sur la reconnaissance de cinq caractéristiques identifiées comme étant discriminantes par les opérateurs apportait les meilleures performances diagnostiques. Notre méthode, après validation, pourrait permettre une meilleure détection de l'AGMI en temps réel et une meilleure reproductibilité indépendante de l’observateur.

Remerciements

Cette étude a été financée par l’Agence Nationale de la Recherche (ANR) selon la convention de subvention 15-CE17-0015.