Afin De Maximiser La Valeur Des Données Cliniques D'irm, L'équipe De L'ucl a Proposé Le Modèle MindGlide Pour Quantifier Les Lésions De La Sclérose En Plaques
La sclérose en plaques (SEP) est une maladie chronique invalidante caractérisée par des lésions démyélinisantes inflammatoires de la substance blanche du système nerveux central. Il cible principalement les jeunes et les personnes d’âge moyen, c’est pourquoi on l’appelle aussi le « tueur invisible des jeunes ». Selon les statistiques pertinentes, plus de 2,8 millions de personnes sont touchées dans le monde. En Asie, environ 1 à 5 personnes sur 100 000 souffrent de sclérose en plaques, et cette maladie est devenue la deuxième cause d’invalidité chez les jeunes et les personnes d’âge moyen en Chine après les traumatismes. En 2018, la Chine a inclus la maladie dans la « Première liste des maladies rares ».
Les biomarqueurs d’imagerie par résonance magnétique (IRM) cérébrale sont essentiels dans le traitement clinique et la recherche sur la SEP, par exemple en utilisant des examens IRM à contraste multiple pour capturer l’évolution de la maladie. Cependant, les contrastes multiples nécessitent différents types d’équipements de numérisation spécialisés, ce qui prend du temps, demande beaucoup de travail et est coûteux, et de nombreux hôpitaux ne disposent pas de ces conditions. Par conséquent, la manière de simplifier l'analyse IRM devient la clé pour résoudre le problème, en particulier grâce au calcul du volume cérébral à contraste unique, qui peut non seulement réduire le besoin d'acquisition de contrastes multiples, mais également réduire le coût des essais cliniques.
Sur cette base, une équipe de recherche de l’University College London a développé un outil appelé MindGlide.Des informations clés peuvent être extraites des examens IRM obtenus lors des soins aux patients atteints de SEP.Par exemple, des changements subtils tels que des zones endommagées du cerveau, une atrophie cérébrale et des plaques. MindGlide démontre que les examens IRM conventionnels manquent de contraste d’imagerie idéal.Il existe encore un potentiel de découverte de nouvelles lésions et de lésions subtiles des tissus cérébraux.Il est également prévu que cela aide davantage le personnel médical à améliorer sa capacité à interpréter et à évaluer les effets du traitement des patients atteints de SEP.
La recherche connexe a été publiée dans Nature Communications sous le titre « Permettre de nouvelles perspectives à partir d'anciens scanners en réutilisant les archives d'IRM cliniques pour la recherche sur la sclérose en plaques ».
Points saillants de la recherche :
*Permet l'extraction de plusieurs biomarqueurs IRM cliniquement pertinents à partir d'un seul produit de contraste IRM, et MindGlide surpasse l'état de l'art dans plusieurs domaines clés
* Une segmentation tissulaire cliniquement significative et une quantification des lésions peuvent être obtenues même avec des données IRM limitées et des contrastes uniques qui ne sont généralement pas utilisés pour ces tâches.
Adresse du document :
https://go.hyper.ai/fDEgm
Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit également des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s
Ensemble de données : Toutes les données sont collectées auprès de patients atteints de SEP
Afin de vérifier la fiabilité et la validité du modèle, l’étude a utilisé différents ensembles de données d’entraînement et des ensembles de données de validation externes, et les données provenaient entièrement de patients atteints de SEP.L'étude a été soutenue par la base de données de l'Alliance internationale pour la sclérose en plaques progressive de l'Institut neurologique de Montréal.Des données de formation pertinentes ont été extraites, principalement de l'essai MS-stat, de l'essai ORATORIO, ainsi que des ensembles de données de soins de routine des patients pédiatriques atteints de SEP récurrente-rémittente obtenus auprès de trois hôpitaux au Royaume-Uni et de deux ensembles de données de segmentation de lésions open source (MS-30 et ISBI).
*MindGlide traite les IRM, y compris les scans 2D et 3D, avec un contraste IRM et des intensités tissulaires associées (pondérées en T1, pondérées en TI, densité de protons (PD) et T2-Fluid Attenuated Inversion Recovery (FLAIR)) couramment utilisés dans les archives hospitalières.
Pendant la phase de formation du modèle,Les chercheurs ont formé MindGlide à l’aide d’un ensemble de données de 8 550 images réelles et synthétiques.Parmi elles, un total de 4 247 images IRM réelles (dont 2 092 pondérées TI et 2 155 FLAIR) ont été collectées auprès de 2 871 patients (dont 1 082 patients atteints de SEP récurrente-rémittente (SEP-RR), 1 453 patients atteints de SEP progressive secondaire (SEP-SP) et 336 patients atteints de SEP progressive primaire (SEP-PP)).Les scanners ont été acquis à l’aide de 592 scanners IRM professionnels à des champs magnétiques de 1,5 et 3 Tesla.Les chercheurs ont ensuite généré 4 303 analyses synthétiques supplémentaires pour étendre la formation.
Au cours de la phase de validation du modèle, les chercheurs ont utilisé un ensemble de validation externe.Le MindGlide a été testé pour une utilisation universelle dans une tranche d'âge de 14 à 64 ans, y compris deux essais cliniques sur la SEP progressive et un groupe réel de patients pédiatriques atteints de SEP récurrente-rémittente.L'ensemble de données de validation externe comprenait 1 001 patients (699 dans l'essai PPMS, 141 dans l'essai SPMS et 161 dans l'essai RRMS) obtenus à partir de 186 scanners IRM.
dans,L'ensemble de données PPMS comprend 11 015 examens IRM(2 756 pondérées TI, 2 754 pondérées T2, 2 749 FLAIR, 2 756 PD), toutes les coupes avaient une épaisseur de 3 mm (1 mm x 1 mm x 3 mm) ;L'ensemble de données SPMS comprend 763 analyses(378 pondérés TI, 385 pondérés T2), avec différentes épaisseurs de coupe (1 mm x 1 mm x 1 mm pour pondéré T1 ; 3 mm x 1 mm x 1 mm pour pondéré T2) ;L'ensemble de données pédiatriques sur la SEP-RR comprend 1 478 examens(523 pondérés T1, 475 pondérés T2, 480 FLAIR), y compris différentes épaisseurs de coupe.
Architecture du modèle : un réseau neuronal convolutif 3D efficace
MindGlide est développé sur la base de « nnU-Net », un réseau neuronal convolutif 3D (CNN) basé sur l'architecture U-Net.Il a la capacité de s'auto-configurer automatiquement, contournant ainsi le processus coûteux de réglage des hyperparamètres. Grâce à la formation, MindGlide peut segmenter simultanément la matière grise du cerveau, les zones de matière blanche et les lésions de SEP, s'adaptant ainsi aux changements réels de l'IRM et résolvant les problèmes d'artefacts dans les logiciels de traitement d'images traditionnels. L’architecture et la stratégie globales sont présentées dans la figure ci-dessous.
Pour le prétraitement des images destinées à la formation des modèles, les chercheurs ont utilisé un pipeline de prétraitement minimal qui a d'abord normalisé la résolution de l'image à des voxels isotropes de 1 mm, puis conçu selon nnU-Net. Les chercheurs ont ensuite extrait 128 x 128 x 64 patchs de voxels à l’aide d’une technique de fenêtre coulissante pour optimiser la mémoire et l’efficacité de calcul pendant la formation.
L’augmentation des données consiste principalement à étendre artificiellement la diversité des données d’entraînement par le biais de modifications aléatoires, à améliorer la généralisabilité du modèle et à réduire le surajustement.Les chercheurs ont utilisé deux techniques pour étendre son adaptabilité : déformer la géométrie et l’intensité de l’image des scans réels et générer des scans synthétiques.Comme le montre la Fig. (a), la randomisation de domaine est utilisée pour générer des variations d’intensité et préparer des modèles pour différents contrastes IRM.
Les données synthétiques ont été générées à l'aide de SynthSeg version 2.0, et les chercheurs ont utilisé MONAI version 1.2.0 pour l'amélioration pendant la formation, puis ont généré des analyses synthétiques de différents contrastes directement à partir des étiquettes de l'ensemble de données de formation. La figure (a) montre un exemple de données synthétiques générées, et la figure (b) montre la formation de MindGlide avec des données réelles et des données augmentées.
Dans des rapports connexes, les médias ont utilisé des données intuitives pour démontrer les capacités de ce modèle. Il a mentionné queLes scanners complexes qui prenaient auparavant des semaines à interpréter manuellement par les neuroradiologues ne prennent désormais que 5 à 10 secondes par image avec MindGlide.Cela permet d’obtenir une nouvelle valeur à partir d’images qui n’étaient auparavant pas analysables et d’examens IRM de routine, fournissant une base plus fiable pour tester les effets de différents traitements sur la progression de la maladie dans les essais cliniques et les soins de routine.
Résultats expérimentaux : une comparaison multidimensionnelle montre la supériorité de MindGlide
Pour évaluer l’effet de vérification de MindGlide, les chercheurs l’ont comparé aux technologies de pointe existantes, à savoir WMH-SynthSeg et SAMSEG.Le premier peut segmenter simultanément les signaux élevés de la matière blanche et les structures anatomiques du cerveau à partir de scanners de différentes résolutions et contrastes, tandis que le second peut segmenter de manière robuste les lésions et les structures cérébrales sous différents contrastes IRM.
Tout d’abord, l’expérience a comparé la cohérence des trois avec la segmentation des lésions et le handicap étiquetés par les experts humains, comme le montre la figure ci-dessous. La concordance entre MindGlide et les lésions réelles étiquetées manuellement était plus élevée.Le score médian de Dice était de 0,606, celui de SAMSEG était de 0,504 et celui de WMH-Synthseg était de 0,385.
en outre,Dans l'ensemble de données PPMS, la corrélation entre la charge lésionnelle dérivée par MindGlide et la valeur numérique de l'échelle étendue de statut d'invalidité (EDSS) est également plus élevée que celle des technologies existantes.
Par la suite, les chercheurs ont mené une validation longitudinale de l’effet du traitement des lésions impliquant plusieurs expériences, qui ont démontré l’efficacité de MindGlide dans la détection des effets du traitement. Par exemple, dans les essais SPMS et PPMS, le volume cumulé des lésions dans le groupe de traitement était inférieur à celui du groupe placebo ; dans la cohorte pédiatrique, MindGlide a détecté avec succès différents changements dans le volume des lésions dans différents groupes de traitement, comme le montre la figure ci-dessous.
En testant les effets du traitement sur la perte de tissu cérébral,MindGlide a montré que le taux de perte de volume du GM cortical dans le groupe de traitement était significativement inférieur à celui du groupe placebo.La figure suivante montre divers exemples de segmentation contrastés.
Par la suite, les chercheurs ont comparé les effets du traitement de MindGlide avec d’autres outils de segmentation et des lésions réelles dans un essai clinique PPMS.Les résultats expérimentaux montrent que MindGlide est très proche de la vérité fondamentale. En revanche, SAMSEG surestime l’effet du traitement, tandis que WHM-Synthseg sous-estime l’effet du traitement, indiquant que MindGlide a une précision plus élevée dans l’estimation du volume des lésions.
La figure ci-dessous montre les trois évaluations du volume cérébral régional.Les résultats ont montré que les mesures MindGlide ont montré de meilleurs effets de traitement entre les groupes de traitement par rapport aux mesures obtenues à partir de SAMSEG longitudinal ou WHM-Synthseg.
De plus, dans un ensemble de données cliniques de soins de routine, les chercheurs ont inspecté visuellement WMH-Synthseg et MindGlide et ont constaté que le premier présentait un taux d'échec significatif, en particulier lorsque l'épaisseur de l'analyse dépassait 5 mm.Sur les 433 contrastes évalués visuellement, WMH-Synthseg n'a pas réussi à segmenter 65 scans, tandis que MindGlide n'a échoué que dans 6.L'exemple est montré ci-dessous.
Parmi eux, la figure (b) montre une tranche d'une épaisseur de 7 mm dans l'ensemble de données cliniques de soins de routine (RRMS) où la segmentation WMH-Synthseg échoue. Cela est dû au fait que la plupart des outils de segmentation sont conçus pour utiliser des orientations d’acquisition supérieures ou inférieures, tandis que MindGlide permet la segmentation d’images acquises dans n’importe quelle orientation.
en tout,MindGlide est supérieur aux méthodes existantes à bien des égards et peut extraire plusieurs biomarqueurs à partir d'un seul contraste IRM, ce qui permet de surveiller efficacement l'effet du traitement et convient à une variété de scénarios cliniques.Fournir un soutien solide à la recherche sur la sclérose en plaques et à la prise de décision clinique.
L'IA est devenue un outil important dans la recherche sur la sclérose en plaques
Ces dernières années, le développement rapide de l’intelligence artificielle a accéléré son application dans les maladies neurologiques et, grâce à son mécanisme de travail unique et à ses méthodes efficaces, elle a fourni de nouvelles idées à la communauté médicale pour mener des recherches sur la SEP grâce à l’intelligence artificielle. Par coïncidence, de nombreux laboratoires tentent d’utiliser l’intelligence artificielle pour surmonter la sclérose en plaques, un problème majeur qui menace la santé humaine.
Par exemple, le groupe de recherche du professeur Fang Liu de l'Université de Toronto a publié un article dans Science Advances intitulé « L'excitotoxicité médiée par l'AMPA à petites molécules a des effets thérapeutiques dans les modèles murins de sclérose en plaques ». Cette étude a dépassé les points de vue théoriques traditionnels et a développé un composé moléculaire révolutionnaire.Il agit en ciblant un nouveau mécanisme de régulation de l’excitotoxicité médiée par le récepteur AMPA.Cette étude a utilisé l’intelligence artificielle pour cribler virtuellement de petites molécules ciblant la sous-unité GluA 2 du récepteur AMPA, ce qui a non seulement comblé le vide dans le développement international de ces médicaments, mais plus important encore, a fourni une idée complètement nouvelle pour le traitement de la SEP.
Adresse du document :
https://www.science.org/doi/10.1126/sciadv.adj6187
De plus, une étude publiée dans NeuroImage a également proposé un nouvel outil open source permettant de segmenter simultanément les lésions de la substance blanche et 41 structures neuroanatomiques dans les IRM des patients atteints de SEP.Cette méthode est basée sur le modèle génératif SAMSEG mentionné ci-dessus et est capable de s'adapter à différents protocoles de numérisation et d'imagerie, et peut évaluer l'atrophie sans pré-segmentation des lésions.Surmonte certaines limitations des outils existants. L'article connexe a été publié sous le titre « Une méthode adaptative au contraste pour la segmentation simultanée du cerveau entier et des lésions dans la sclérose en plaques ».
Adresse du document :
https://www.sciencedirect.com/science/article/pii/S1053811920309563?via%3Dihub
Toutes ces réalisations scientifiques et technologiques et ces découvertes de pointe révèlent la valeur de l’intelligence artificielle dans la recherche sur la sclérose en plaques. Même s’il reste encore un long chemin à parcourir, ils donnent aussi de l’espoir aux gens. Comme l'espère le Dr Philipp Goebl, premier auteur de l'article ci-dessus, l'utilisation de l'intelligence artificielle pour mener des essais cliniques visant à résoudre les problèmes des patients pourrait devenir une réalité dans les 5 à 10 prochaines années.