Les maladies cardiovasculaires sont la première cause de mortalité dans le monde, et une imagerie cardiaque précise joue un rôle clé dans le diagnostic, le traitement et le pronostic de ces maladies. Ces dernières années, l’intelligence artificielle (IA), en particulier l’apprentissage profond, a fait de grands progrès en introduisant l’automatisation et des capacités prédictives dans l’imagerie cardiaque. Bien que l’IA présente un grand potentiel, elle n’a jusqu’à présent pas eu l’effet escompté sur la réduction des coûts de santé ou l’amélioration des résultats cliniques. Cela s’explique notamment par des défis méthodologiques, techniques et éthiques.
(red) Malgré la concurrence entre les acteurs académiques et industriels pour développer la solution d’IA la plus performante, il n’existe pas encore de preuves issues d’essais cliniques randomisés montrant que les modèles d’IA ont une supériorité significative sur l’interprétation humaine. Cet article examine les défis existants de l’intégration de l’IA dans l’imagerie cardiaque et souligne que l’IA devrait actuellement être considérée comme une “intelligence augmentée” – une technologie qui soutient, mais ne remplace pas, la prise de décision clinique. Il est peut-être temps de changer de perspective et de considérer l’IA comme un outil qui aide les médecins à prendre les meilleures décisions possibles.
Le développement de l’IA dans l’imagerie cardiaque
L’automatisation des tâches répétitives et chronophages en imagerie cardiaque est l’un des principaux avantages offerts par l’IA. “L’apprentissage profond” s’est avéré supérieur aux méthodes traditionnelles, car il est capable d’identifier automatiquement les caractéristiques pertinentes dans les images et de les utiliser à des fins de diagnostic. Un exemple est la segmentation automatisée des images cardiaques, particulièrement utile pour calculer le volume et la fonction comme la fraction d’éjection ventriculaire gauche (FEVG). En outre, si l’IA a été suffisamment entraînée avec des données, elle offre un traitement rapide et précis des nouvelles données d’image et se prête bien à la généralisation à de nouveaux ensembles de données.
Cependant, l’IA est souvent critiquée comme étant une “boîte noire”, car les voies de décision ne sont pas toujours clairement compréhensibles. Cela peut nuire à la confiance des cliniciens dans la technologie. Pour relever ce défi, les chercheurs ont commencé à développer des mécanismes d’interprétation tels que les degrés CAM ou les valeurs de Shapley, qui indiquent quelles zones de l’image sont responsables des décisions de l’IA. Cependant, ces outils sont encore en phase de développement et ont leurs propres limites. Il est essentiel d’améliorer l’interprétabilité des modèles d’IA pour favoriser leur adoption dans la pratique clinique.
Les défis de la qualité et de la diversité des données
L’un des principaux obstacles à la réussite de l’application de l’IA à l’imagerie cardiaque est la disponibilité de données diversifiées et de haute qualité. Les modèles d’IA, en particulier les modèles d’apprentissage profond, nécessitent une énorme quantité de données bien annotées pour fournir des résultats fiables. Or, ces données font souvent défaut et de nombreuses données existantes ne sont pas suffisamment diversifiées, ce qui limite la généralisation des modèles d’IA. Il est important que les systèmes d’IA soient entraînés sur une large base de données, prenant en compte différentes pathologies, groupes ethniques, classes d’âge et sexes. C’est la seule façon de garantir que les modèles fonctionnent de manière fiable dans la pratique clinique pour un grand nombre de patients.
Les réglementations sur la protection des données, telles que le Règlement général sur la protection des données (RGPD) en Europe, compliquent la collaboration entre les institutions et entravent le partage des données. Des approches telles que le “federated learning”, dans lesquelles les modèles d’IA sont entraînés localement sans que les données elles-mêmes ne soient partagées, pourraient y remédier. Cela pourrait contribuer à garantir la protection des données tout en utilisant de plus grands ensembles de données pour l’entraînement des modèles d’IA. Néanmoins, les institutions ne sont pas incitées à s’engager dans de telles collaborations de données, ce qui retarde le développement de l’IA dans la pratique clinique.
Le rôle de l’IA dans différentes modalités d’imagerie
L’IA s’est imposée ces dernières années dans différentes modalités d’imagerie :
Échocardiographie : l’IA a été utilisée avec succès pour automatiser le calcul des volumes et l’évaluation fonctionnelle. Un exemple est le calcul automatique de la FEVG à partir des données d’échocardiographie. Des études ont montré que l’IA est capable de fournir des résultats comparables à ceux des échographes, mais de manière plus rapide et plus cohérente. Cela ouvre de nouvelles possibilités, en particulier dans les régions à faibles ressources qui manquent de personnel médical qualifié. Un autre avantage réside dans le fait que les modèles basés sur l’IA peuvent également être utilisés en cardiologie prénatale et pédiatrique pour diagnostiquer des cardiopathies congénitales complexes.
Tomodensitométrie cardiaque (CT) : en imagerie CT, l’IA peut améliorer considérablement les flux de travail en effectuant des quantifications automatisées des données d’imagerie cardiaque, telles que l’évaluation du calcium coronaire, qui sert de marqueur de l’athérosclérose coronaire et des risques cardiovasculaires. L’IA est également utilisée dans la planification d’interventions complexes telles que l’implantation de valves aortiques par transcathéter (TAVI), afin de mieux évaluer les risques et d’optimiser la planification chirurgicale.
Imagerie par résonance magnétique (IRM) cardiaque : l’IRM a le plus bénéficié de l’automatisation basée sur l’IA, notamment pour la segmentation automatique des images et le calcul de la FEVG. Cela a permis à de grandes études de cohorte telles que la UK Biobank d’apporter de nouveaux éclairages sur l’évolution de la maladie et le vieillissement en bonne santé. Cependant, malgré ces progrès, il existe peu d’études cliniques prospectives démontrant l’utilité de l’IA dans la pratique clinique.
Imagerie de médecine nucléaire : en médecine nucléaire, l’IA a démontré sa capacité à effectuer des analyses automatisées de grandes quantités de données afin d’améliorer le diagnostic des maladies coronariennes et le pronostic des événements cardiovasculaires.
Obstacles à la mise en œuvre clinique et défis réglementaires
Malgré les progrès technologiques, la mise en œuvre clinique de l’IA se heurte à des obstacles considérables. L’un de ces défis est que l’infrastructure de nombreux établissements de santé n’est pas préparée à l’intégration de nouveaux outils d’IA. De nombreux systèmes existants, tels que les systèmes d’archivage d’images, sont obsolètes et ne sont pas en mesure de prendre en charge les interfaces nécessaires à une intégration transparente de l’IA. Cela ralentit considérablement l’introduction de l’IA dans la pratique clinique. En outre, il n’existe pas encore de modèles de remboursement clairs pour les services basés sur l’IA dans le secteur de la santé, ce qui constitue un obstacle supplémentaire à la mise en œuvre.
Les exigences réglementaires pour les systèmes d’IA sont également complexes et prennent du temps. La FDA américaine et l’Union européenne ont certes élaboré des directives initiales pour les dispositifs médicaux basés sur l’IA, mais celles-ci ont du mal à suivre le rythme rapide de l’évolution technologique. Les différences dans les mécanismes réglementaires entre les différents pays rendent la coopération internationale difficile. Pour surmonter ces défis, il est important de simplifier les processus réglementaires et de promouvoir l’utilisation de l’IA en médecine grâce à des procédures standardisées.
Acceptation clinique et facteurs humains
Un autre aspect critique de l’introduction de l’IA dans la pratique clinique est l’acceptation par les parties prenantes. Les patients, les médecins et les autres prestataires de soins de santé sont souvent réticents à l’égard de l’IA, qu’ils considèrent comme une menace ou un obstacle. Il est donc nécessaire d’impliquer activement ces groupes cibles dans le processus de développement et de proposer une formation complète afin d’améliorer la compréhension du fonctionnement et des avantages de l’IA. De plus, l’intégration de l’IA dans les processus cliniques doit être soigneusement planifiée afin de garantir une interaction optimale entre l’homme et le système.
Une approche “homme dans la boucle”, dans laquelle l’humain reste le dernier recours dans la prise de décision, peut aider à renforcer la confiance dans l’IA. Cependant, il est important que les modèles restent compréhensibles et transparents afin de garantir que les médecins puissent comprendre les recommandations de l’IA.
Conclusion et perspectives d’avenir
L’IA a le potentiel de révolutionner l’imagerie cardiaque en automatisant les tâches répétitives et chronophages et en améliorant l’efficacité de la pratique clinique. Cependant, l’IA doit être considérée comme un outil complémentaire qui aide à la prise de décision clinique plutôt que de la remplacer. Les développements futurs devraient se concentrer sur l’intégration de l’IA dans la prise de décision clinique afin d’identifier des phénotypes de maladie plus précis et d’améliorer les résultats cliniques.
Un changement de paradigme, passant de mesures isolées à des analyses multiparamétriques, pourrait favoriser le développement d’outils d’IA permettant un diagnostic plus précis. Si cette technologie parvient à s’intégrer dans les flux de travail existants, elle pourrait jeter les bases d’une nouvelle ère d'”intelligence augmentée”, dans laquelle l’IA soulagerait les médecins et leur permettrait de se concentrer sur des décisions cliniques plus complexes.
Source : Sengupta PP, et al. : Challenges for augmenting intelligence in cardiac imaging. The Lancet Digital Health, Volume 6, Issue 10, e739-e748.
CARDIOVASC 2024 ; 23(3) : 41-42
