JFHOD

CO.111 - Un algorithme hautement sensible et hautement spécifique pour la détection d'angiodysplasies en vidéocapsule endoscopique du grêle

R. Leenhardt, P. Vasseur, C. Li, G. Rahmi, F. Cholet, J.C. Saurin, X. Amiot, J.M. Delvaux, C. Duburque, R. Gérard, C. Leandri, S. Lecleire, J.P. Le Mouel, F. Mesli, I. Nion Larmurier, S. Sacher-Huvelin, G. Vanbiervliet, P. Marteau, O. Romain, A. Histace, X. Dray

Introduction

La vidéo capsule endoscopique (VCE) est un examen de référence pour l’exploration non invasive de l'intestin grêle. Néanmoins, chaque enregistrement comprenant en moyenne 50000 images de l’intestin grêle, l'interprétation d'une VCE s’avère fastidieuse et chronophage, et est associée à un risque non négligeable de lésions manquées. Le développement d'algorithmes de détection des lésions assistés par ordinateur est devenu un domaine actif de recherche en VCE. Les angiodysplasies (AGD) gastro-intestinales sont les lésions vasculaires de l’intestin grêle les plus fréquentes, et sont associées à un risque élevé de saignement digestif. L’objectif de cette étude était de développer un outil de diagnostic assisté par ordinateur pour la détection des AGD de l’intestin grêle en VCE.

Matériels et méthodes

Une banque de donnée française (CAD-CAP) multicentrique (13 centres) était créé comprenant 4166 vidéos anonymisées de VCE de 3ème génération (système Pillcam® SB3, Medtronic). 6203 images pathologiques étaient extraites à partir de 1127 vidéos pathologiques de VCE et 20000 images normales étaient isolées. Un travail préalable de description consensuelle des AGD était réalisé (1), Sur la base de cette description, 600 images typiques d’AGD étaient selectionnées, validées, puis annotées sous la supervision d’experts en VCE afin d’établir une "vérité terrain" solide. 600 images normales servaient de groupe témoin. Deux banques disctinctes de 600 images étaients construites composées chacune de 300 images d’AGD et 300 images normales. Plusieurs algorithmes, reposant sur des approches de segmentation, de colorimétre et d'extraction de caractéristiques (deep feature extraction), étaient testés. La première banque d’images permettait de sélectionner l’algorithme le plus performant, la deuxième de le valider.

Résultats

L’algorithme obtenant les meilleures performances diagnostiques était basé sur une approche de segmentation sémantique des images, associée à l’exploitation d’un système de réseaux neuronaux convutionnels (RNC) issu des outils de l’intelligence artificielle. (Figure 1: de gauche à droite : image initiale, image annotée, exploitation du RNC, exploitation du RNC sur l’image initiale). L’algorithme développé obtenait les performances suivantes pour la détection des AGD: sensibilité = 100%, spécificité = 95,83%, valeurs prédictives positive = 96,15% et négative = 100%. La reproductibilité était parfaite (Kappa= 1.0).

Discussion

Conclusion

L’exploitation d’un système de RNC permettait de développer un algorithme aux performances diagnostiques remarquables en terme de reproductibilité, sensibilité (100%) et sprécificité (95,83%) pour la detection des AGD de l’intestin grêle.

Les résultats de cette étude sont très prometteurs dans le domaine du diagnostic assisté par ordinateur en VCE et incite à réaliser une évaluation prospective de notre outil à l’échelle de la video.

 

Le projet CAD-CAP est soutenu par la Société Nationale Française de Gastro-Entérologie (SNFGE) et est réalisé sous l'égide de la Société Française d’Endoscopie Digestive (SFED).

Remerciements