JFHOD

Introduction

L’écho-endoscopie avec cytoponction est devenue l’examen de référence pour le diagnostic des tumeurs pancréatiques. Cette technique est cependant opérateur dépendant mais également patient dépendant. Parfois il est difficile de repérer la zone à ponctionner lorsque la tumeur est infiltrante, chez un patient peu échogène. Le but de cette étude pilote, était de valider un algorithme de deep learning pour diagnostiquer les adénocarcinomes pancréatiques sur des images d’écho-endoscopie linéaire. 

Patients et Methodes

De décembre 2020 à juin 2021, les images d’adénocarcinomes pancréatiques recueillies lors d’une écho-endoscopie,  ont été comparées aux images de pancréas normal. Le modèle EfficientNetB4 pré-entraîné sur ImageNet a été fine-tuné sur la base de données des pancréas. L’entraînement final consiste en 20 epochs avec l’optimizer Adam et la loss binary crossentropy.

Parmi les 317 images de pancréas normal et 472 images d’adénocarcinomes pancréatiques, 60% ont été utilisées pour l'entraînement et 40% pour le test. Un poids de 1.48 a été donné à la classe pancréas normal durant l'entraînement pour pallier la disproportion des données.

Résultats

191 images d’écho-endoscopie linéaire, d’adénocarcinomes pancréatiques, ont été comparées à 125 images de pancréas normal. La sensibilité et la spécificité pour le diagnostic d’adénocarcinome pancréatique étaient respectivement de 0.96 et 0.95. L’algorithme de Deep Learning était pris en défaut pour les formes  infiltrantes d’adénocarcinomes.

Discussion

Conclusion

L’algorithme de Deep Learning que nous avons développé avec le CNRS (UMR 720) semble intéressant pour diagnostiquer les adénocarcinomes pancréatiques sous écho-endoscopie linaire. Afin d’améliorer les performances de cet algorithme, une collecte nationale d’images avec la SFED et le CFE est en cours d’élaboration.  

Remerciements