JFHOD

P.448 - L’intégration d’information temporelle lors de l’apprentissage d'un réseau neuronal profond améliore la performance de détection et de délimitation automatisée de polypes

E. Coron, M. Caron, T. Eelbode, I. Demedts, P. Roelandt, C. Hassan, P. Bhandari, H. Neumann, O. Pech, A. Repici, F. Maes, R. Bisschops

Introduction

Contrairement aux techniques actuelles de détection automatisée des polypes, l’endoscopiste intègre les informations provenant des images vidéo précédant une image donnée pour y détecter la présence d’un polype. Notre étude vise à intégrer cet élément de temporalité dans le développement d’un système d’intelligence artificielle (IA), plus précisément en utilisant un réseau neuronal récurrent. Ce type de réseau contient des cellules-mémoire, ce qui lui permet de se rappeler ce qui a été vu sur des images antérieures. Bien qu’ils soient déjà utilisés dans plusieurs domaines tels que la reconnaissance d’objets et le traitement du langage naturel, les réseaux neuronaux récurrents n’ont jamais, à notre connaissance, été appliqués à la détection de polypes ni aux systèmes d’IA en général.

Patients et Methodes

Des vidéos de coloscopie provenant de 104 patients sont inclus, pour un total de 258 polypes pour l’apprentissage, la validation et l’évaluation du système (N = 176, 27 et 55 respectivement, sans chevauchement entre les patients). De courts extraits vidéo contenant la visualisation initiale de chaque polype sont échantillonnés. Pour chaque extrait, seules quelques images sont annotées par trois experts. Ces annotations manuelles ponctuelles sont ensuite étendues automatiquement à la totalité de l’extrait vidéo à l’aide d’une technique de suivi d’objet. Le nombre d’images annotées en est décuplé, et la base de données ainsi générée est utilisée pour l’apprentissage du réseau neuronal convolutif (RNC) destiné à la détection et à la délimitation des polypes. Ce réseau est prolongé d’un module récurrent, ce qui permet au système d’IA d’intégrer les informations provenant d’images précédentes lors de la prédiction de l’histologie d’un polype. La sensibilité et la spécificité par image sont rapportées pour l’évaluation de la performance de détection du réseau. Pour déterminer le niveau de précision dans la délimitation des polypes, on utilise le coefficient de Dice, qui établit le degré de chevauchement entre un plan de délimitation et la délimitation réelle, en considérant le niveau de confiance du réseau dans le résultat fourni. Le coefficient de Dice est un nombre compris entre 0 et 1, où la valeur 1 signifie un chevauchement parfait avec un niveau de confiance de 100%.

Résultats

Deux réseaux différents sont formés pour ensuite être évalués. Un premier RNC est formé uniquement à partir des images annotées par les experts, et le deuxième, qui comprend le module récurrent, est formé à partir de l’ensemble des images annotées automatiquement (identifiés EXP et REC respectivement). Les résultats apparaissent dans le Tableau 1. L’intégration d’information temporelle améliore la performance du réseau pour chaque paramètre mesuré ; elle améliore de façon plus marquée la spécificité, puisque le réseau est ainsi moins perturbé par les images floues et erratiques. La Figure 1 compare les performances des deux réseaux mesurées en différents points. Les tests T pour échantillons appariés confirment que toutes les différences sont statistiquement significatives avec une valeur p<0,00001 (niveau d’importance statistique de 0,05).

 

 

N

Sensibilité

Spécificité

Coefficient de Dice

RNC1 - EXP

758

0,83

0,54

0,38

RNC2 - REC

40887

0,91

0,74

0,56

Tableau 1 – Sensibilité, spécificité et coefficient de Dice pour les deux réseaux évalués à partir d’ensembles d’images indépendants. N = nombre d’images utilisées pour l’apprentissage. Le second réseau (RNC2) surpasse le premier (RNC1) pour chaque paramètre mesuré.

Discussion

Conclusion

Lors de l’apprentissage par un système d’IA, l’intégration d’information temporelle permet d’obtenir une plus grande précision et un niveau de confiance plus élevé dans la détection et la délimitation de polypes sur des vidéos de coloscopie.

Remerciements