Aujourd’hui : outils d’intelligence artificielle déjà disponibles pour l’échocardiographie

Malgré l’avènement et le développement de l’imagerie multimodale, et notamment de l’imagerie en coupe (scanner et IRM cardiaque), l’échographie cardiaque reste un examen de première ligne et, à ce titre, celui le plus utilisé actuellement pour le diagnostic, la prise en charge et le suivi thérapeutique des maladies cardiovasculaires. Il a donc bénéficié ces dernières années de grandes avancées technologiques, y compris dans le domaine de l’intelligence artificielle¹.

Ainsi, vous utilisez déjà probablement de l’intelligence artificielle à travers des algorithmes de machine learning qui ont été appliqués depuis une dizaine d’années afin d’optimiser l’imagerie, d’évaluer les structures anatomiques ou la fonction cardiaque, comme les outils semi-automatiques d’évaluation de la FEVG par la méthode de Simpson ou de la fonction myocardique par speckle tracking.

Néanmoins, l’échocardiographie, qu'elle soit transthoracique (ETT) ou transoesophagienne (ETO), reste un examen dépendant de l’opérateur et de son niveau d’expérience, avec une variabilité inter observateur non négligeable. Il est donc plus difficile à standardiser. C’est probablement pour cette raison qu’il existe moins de données sur l’échographie cardiaque que sur l’imagerie en coupe dans la littérature actuellement.

Voici différents outils développés et/ou utilisables :

Les outils d’acquisition :

Ces outils correspondent à la capacité d’une machine à identifier, différencier et nommer les structures anatomiques (comme une coupe parasternale au lieu d’une coupe apicale par exemple) et donc d’aider l’opérateur à obtenir une coupe standardisée, voire à enregistrer automatiquement les coupes lorsqu’elles sont considérées comme adéquates par le logiciel. Ces outils semblent encore plus pertinents pour un opérateur débutant ou non cardiologue². Ainsi, en 2020, la Food and Drug Administration (FDA) des États-Unis a autorisé la commercialisation d'un logiciel d'aide à l'acquisition d'images d'échographie cardiaque appelé Caption Guidance (https://captionhealth.com/) (Figure 1).

Figure 1. Exemple de logiciel d’aide à l’acquisition des coupes d’ETT. Caption Guidance (Caption Health)

Les outils de quantification :

Ces outils se basent sur la capacité d’un programme qui a été entraîné des milliers de fois à réaliser des mesures automatiques. Il a été montré, par exemple, que ces outils permettaient d’obtenir des valeurs de fraction d’éjection du ventricule gauche (FEVG) très proches de celles obtenues par des experts avec une solide expérience (> 20 ans), avec excellente corrélation (r = 0,95)³.

Par ailleurs, de nombreux outils de quantification automatique ont été développés ces dernières années, que ce soit pour l’analyse des dimensions, des fonctions et des déformations ventriculaires gauche ou droite, ou pour la quantification des valvulopathies (Figure 2)⁴.

Figure 2. Evolution des outils de quantification automatique en échocardiographie (d’après Nolan et al. J Am Coll Cardiol Img. 2019;12(6):1073–92).

Un exemple des outils disponibles chez GE – Healthcare est présenté dans la Figure 3.

Figure 3. Exemple d’outils de quantification automatique disponibles chez GE Healthcare.

Les outils d’interprétation :

Bien sûr, à l’instar de l’acquisition, l’interprétation des images peut être subjective, dépendante du niveau d’expérience, fastidieuse et chronophage. Ainsi, des algorithmes ont été développés afin de détecter des situations pathologiques à partir d’une série de coupes échocardiographiques apprises au préalable. C’est le cas par exemple du diagnostic de cardiomyopathie hypertrophique⁵ et de sa différenciation avec un cœur d’athlète, de la différenciation entre une cardiopathie restrictive et une péricardite constrictive⁶, ou de la quantification des valvulopathies^7,8.

S’ils semblent prometteurs, ces différents outils ne sont pas encore disponibles en pratique courante. Néanmoins, le développement considérable du deep learning devrait révolutionner, dans les années à venir, l’interprétation de l’imagerie échocardiographique ,que ce soit pour la détection, la classification, la segmentation, le suivi ou encore la génération de comptes-rendus⁹.

Les outils d’éducation :

L’intelligence artificielle a également apporté une contribution dans le domaine pédagogique, que ce soit par la possibilité d’apprendre des protocoles complexes grâce à des algorithmes, ou par l’avènement des simulateurs d’échocardiographie, qui offrent la possibilité aux apprenants de développer les techniques d’acquisition, de quantification, mais également d’interprétation, grâce aux cas pathologiques souvent disponibles.

L’intelligence artificielle a donc fait son entrée dans le domaine de l’imagerie cardiovasculaire, y compris dans celui de l’échographie cardiaque. Si de nombreux outils sont déjà accessibles et utilisés au quotidien dans le domaine de la quantification, des avancées dans celui de l’acquisition et de l’interprétation sont attendues pour une pratique adaptée.

L’objectif de l’IA dans l’échocardiographie est de faire gagner du temps, de généraliser son utilisation, d’améliorer sa reproductibilité et ses compétences diagnostiques donc, finalement, la prise en charge des patients.
 

Références :

1. Davis A, Billick K, Horton K, Jankowski M, Knoll P, Marshall JE, et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. J Am Soc Echocardiogr. 2020 Sep;33(9):1061–6.
2. Narang A, Bae R, Hong H, Thomas Y, Surette S, Cadieu C, et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiol. 2021 Jun 1;6(6):624.
3. Asch FM, Poilvert N, Abraham T, Jankowski M, Cleve J, Adams M, et al. Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction Without Volume Measurements Using a Machine Learning Algorithm Mimicking a Human Expert. Circ Cardiovasc Imaging [Internet]. 2019 Sep;12(9). Available from: https://www.ahajournals.org/doi/10.1161/CIRCIMAGING.119.009303
4. Nolan MT, Thavendiranathan P. Automated Quantification in Echocardiography. JACC Cardiovasc Imaging. 2019 Jun;12(6):1073–92.
5. Zhang J, Gajjala S, Agrawal P, Tison GH, Hallock LA, Beussink-Nelson L, et al. Fully Automated Echocardiogram Interpretation in Clinical Practice: Feasibility and Diagnostic Accuracy. Circulation. 2018 Oct 16;138(16):1623–35.
6. Sengupta PP, Huang Y-M, Bansal M, Ashrafi A, Fisher M, Shameer K, et al. Cognitive Machine-Learning Algorithm for Cardiac Imaging: A Pilot Study for Differentiating Constrictive Pericarditis From Restrictive Cardiomyopathy. Circ Cardiovasc Imaging [Internet]. 2016 Jun;9(6). Available from: https://www.ahajournals.org/doi/10.1161/CIRCIMAGING.115.004330
7. Zhang Q, Liu Y, Mi J, Wang X, Liu X, Zhao F, et al. Automatic Assessment of Mitral Regurgitation Severity Using the Mask R-CNN Algorithm with Color Doppler Echocardiography Images. Song T, editor. Comput Math Methods Med. 2021 Sep 13;2021:1–10.
8. Sawano S, Kodera S, Katsushika S, Nakamoto M, Ninomiya K, Shinohara H, et al. Deep learning model to detect significant aortic regurgitation using electrocardiography. J Cardiol. 2021 Sep;S091450872100232X.
9. Litjens G, Ciompi F, Wolterink JM, de Vos BD, Leiner T, Teuwen J, et al. State-of-the-Art Deep Learning in Cardiovascular Image Analysis. JACC Cardiovasc Imaging. 2019 Aug;12(8):1549–65.

Retrouvez l'intégralité du dossier spécial "Intelligence artificielle et échocardiographie"

Ce contenu vous est proposé avec le soutien institutionnel de GE HEALTHCARE