{"id":372236,"date":"2023-12-29T14:00:00","date_gmt":"2023-12-29T13:00:00","guid":{"rendered":"https:\/\/medizinonline.com\/un-algorithme-aide-a-diagnostiquer-le-pss\/"},"modified":"2023-12-29T14:00:10","modified_gmt":"2023-12-29T13:00:10","slug":"un-algorithme-aide-a-diagnostiquer-le-pss","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/fr\/un-algorithme-aide-a-diagnostiquer-le-pss\/","title":{"rendered":"Un algorithme aide \u00e0 diagnostiquer le pSS"},"content":{"rendered":"\n

Le score de focalisation (FS) sur les biopsies des petites glandes salivaires labiales est l’un des deux principaux crit\u00e8res (avec une positivit\u00e9 anti-SSA) pour le diagnostic du syndrome de Sj\u00f6gren primaire (pSS). Afin de r\u00e9duire les taux d’erreur dans les diagnostics, des algorithmes d’apprentissage en profondeur utilisant des r\u00e9seaux neuronaux artificiels pourraient \u00eatre utilis\u00e9s \u00e0 l’avenir pour aider les pathologistes. <\/strong><\/p>\n\n\n\n

Selon les crit\u00e8res ACR\/EULAR pour le pSS, la classification du score focal (FS) est l’un des trois crit\u00e8res de classification, mais elle n\u00e9cessite une expertise qui n’est pas toujours disponible dans la pratique. 53% des cas conduisent \u00e0 une r\u00e9vision du diagnostic lorsqu’ils sont \u00e9valu\u00e9s par des experts. <\/p>\n\n

L’apprentissage automatique (machine learning)<\/em> est une famille d’algorithmes capables d’absorber un grand nombre de donn\u00e9es et de les utiliser, par exemple, pour pr\u00e9dire quelque chose. Le deep learning est un sous-ensemble de ce domaine qui se concentre sur une seule famille d’algorithmes et est appel\u00e9 “r\u00e9seaux de neurones profonds”, a expliqu\u00e9 en introduction Louis Basseto, Scienta Lab, d\u00e9partement de recherche, Paris [1]. <\/p>\n\n

Le deep learning est d\u00e9j\u00e0 utilis\u00e9 en pathologie m\u00e9dicale, par exemple dans le cas du cancer du sein, o\u00f9 il permet d\u00e9j\u00e0, gr\u00e2ce \u00e0 des algorithmes, de d\u00e9tecter tr\u00e8s pr\u00e9cis\u00e9ment les m\u00e9tastases dans les \u00e9chantillons de tissus des ganglions lymphatiques avec de meilleures performances que les pathologistes. “Notre groupe a \u00e9galement montr\u00e9 que l’apprentissage automatique peut \u00eatre utilis\u00e9 dans la polyarthrite rhumato\u00efde pour pr\u00e9dire la r\u00e9ponse au m\u00e9thotrexate et aux inhibiteurs du TNF”. Les chercheurs se sont maintenant attel\u00e9s \u00e0 la t\u00e2che d’appliquer le deep learning au syndrome de Sj\u00f6gren et de voir s’il pouvait aider \u00e0 classer le score focal et \u00e0 diagnostiquer le pSS ?<\/p>\n\n

Deep Learning bas\u00e9 sur des biopsies de glandes salivaires <\/h3>\n\n

Pour ce faire, ils ont d\u00e9velopp\u00e9 deux r\u00e9seaux d’apprentissage en profondeur en utilisant des biopsies labiales num\u00e9ris\u00e9es de glandes salivaires de patients pour pr\u00e9dire le score de focalisation (FS \u22651 ou FS <1) et le diagnostic du syndrome de Sj\u00f6gren primaire sur la base de l’histologie uniquement (pSS+ ou pSS-). 325 patients ont \u00e9t\u00e9 inclus dans l’\u00e9tude (145 de l’Universit\u00e9 Paris-Saclay, H\u00f4pital Bic\u00eatre, 71 de l’Universit\u00e9 Queen Mary de Londres et 109 de l’Universit\u00e9 de Birmingham), en utilisant des biopsies pr\u00e9lev\u00e9es en routine clinique. Les participants ont \u00e9t\u00e9 divis\u00e9s en trois groupes :<\/p>\n\n

    \n
  1. pSS- et FS <1 (32%, sympt\u00f4mes de sicca)<\/li>\n\n\n\n
  2. pSS+ et FS \u22651 (47%)<\/li>\n\n\n\n
  3. pSS+ et FS <1 (21%)<\/li>\n<\/ol>\n\n

    Tous les FS ont \u00e9t\u00e9 pr\u00e9alablement confirm\u00e9s par des pathologistes et les diagnostics de pSS par des experts.<\/p>\n\n

    Pour faire une pr\u00e9diction, on utilise une ou plusieurs images de la biopsie. Chaque image est divis\u00e9e en tuiles et l’algorithme attribue de mani\u00e8re autonome un score de risque \u00e0 chacune de ces tuiles. Toutes ces informations sont ensuite combin\u00e9es pour \u00e9tablir une pr\u00e9diction soit du score de focalisation, soit du diagnostic, en fonction de l’algorithme utilis\u00e9. <\/p>\n\n

    “Nous utilisons deux ensembles de donn\u00e9es diff\u00e9rents”, a expliqu\u00e9 Basseto : un ensemble de formation (70% des patients) et un ensemble de validation (30% des patients). Les deux ensembles contiennent la m\u00eame proportion de classes positives et n\u00e9gatives (pSS+\/pSS- ou FS \u22651\/FS <1) und die verschiedenen Zentren, aus denen sich die Teilnehmer zusammensetzen, sind im Training und in der Validierung gemischt. Diese beiden Aufgaben nennt man \u00absemi-supervised learning\u00bb, also halb\u00fcberwachtes Lernen. \u00abDas ist der Schl\u00fcssel zum Verst\u00e4ndnis der Arbeit: Halb\u00fcberwachtes Lernen bedeutet, dass wir dem Modell im Training zwar Informationen geben \u2013 z.B. sagen wir ihm, wenn ein Patient einen FS>a 1. Cependant, nous ne disons pas quelles parties de l’imagerie am\u00e8neraient un pathologiste \u00e0 penser cela. Le mod\u00e8le le d\u00e9termine \u00e0 partir des donn\u00e9es elles-m\u00eames”. <\/p>\n\n

    Nouveaux biomarqueurs potentiels<\/h3>\n\n

    La performance de l’algorithme a \u00e9t\u00e9 mesur\u00e9e par l’aire sous la courbe ROC (AUROC). En ce qui concerne le score de focalisation (FS \u22651\/FS <1), l’algorithme a obtenu un AUROC de 0,88. 77% des pr\u00e9dictions positives \u00e9taient en fait des patients avec un score de focalisation de \u22651. Pour la valeur pr\u00e9dictive n\u00e9gative, 83% ont m\u00eame indiqu\u00e9 correctement qu’il s’agissait d’un FS<1. Dans le cas de la pr\u00e9diction de diagnostic, l’AUROC \u00e9tait de 0,84. 83% des patients avec une pr\u00e9diction positive de l’algorithme \u00e9taient en fait atteints de Sj\u00f6gren positif (pSS+) et 67% des patients avec une pr\u00e9diction n\u00e9gative \u00e9taient en fait atteints de Sj\u00f6gren n\u00e9gatif (pSS-) (tableau 1).<\/strong><\/p>\n

    \n
    \"\"<\/a><\/figure>\n<\/div>\n

    “Ces pr\u00e9dictions ont \u00e9t\u00e9 faites uniquement \u00e0 partir des images. Bien que nous n’ayons pas dit \u00e0 l’algorithme o\u00f9 chercher pour prendre sa d\u00e9cision, – mais apr\u00e8s la formation, nous pouvons v\u00e9rifier les algorithmes pour voir sur quelle base ils ont fait leurs pr\u00e9dictions”. La conclusion des chercheurs est que l’algorithme du score de focalisation a identifi\u00e9 des foyers lymphocytaires pour faire une pr\u00e9diction (Fig. 1). <\/strong>Cela permet d’expliquer et de confirmer visuellement les r\u00e9sultats de la pr\u00e9diction. C’est donc rassurant pour le FS, selon Basseto, “mais ce qui est rassurant pour le FS est tr\u00e8s excitant pour le diagnostic, car cela pourrait conduire \u00e0 l’identification potentielle de nouveaux biomarqueurs histologiques qui ne sont int\u00e9ressants que pour la population pSS+ et FS<1)”. Selon lui, cet aspect est particuli\u00e8rement int\u00e9ressant pour les futurs travaux du groupe de recherche.<\/p>\n

    \n
    \"\"<\/a><\/figure>\n<\/div>\n

    Messages Take-Home<\/strong><\/p>\n\n

      \n
    • Le deep learning pr\u00e9dit avec pr\u00e9cision le score de focalisation et le diagnostic du syndrome de Sj\u00f6gren primaire \u00e0 partir de biopsies labiales des glandes salivaires.<\/li>\n\n\n\n
    • Le deep learning pourrait potentiellement r\u00e9duire le taux d’erreur de diagnostic de ~2,5 fois. Le taux d’erreur d\u00fb au deep learning est de 19,7% vs 53% pour les centres non-experts.<\/li>\n<\/ul>\n\n

      perspectives :<\/em><\/p>\n\n

        \n
      • Des \u00e9valuations cliniques suppl\u00e9mentaires sont n\u00e9cessaires pour valider les algorithmes dans la pratique clinique r\u00e9elle.<\/li>\n\n\n\n
      • Validation suppl\u00e9mentaire sur une plus grande cohorte.<\/li>\n\n\n\n
      • Les travaux en cours visent \u00e0 identifier de nouveaux biomarqueurs histologiques associ\u00e9s au diagnostic du pSS.<\/li>\n<\/ul>\n\n

        Congr\u00e8s : EULAR 2023<\/em><\/p>\n\n

        <\/p>\n\n

        Source :<\/p>\n\n

          \n
        1. Basseto L: Vortrag \u00abDeep Learning Accurately Predicts Focus Score and Diagnosis of Primary Sj\u00f6gren Syndrome using Labial Salivary Gland Biopsies\u00bb; EULAR 2023, Mailand, 2.6.2023 (online).<\/li>\n\n\n\n
        2. Basseto L: Scientific Abstract OP0232, EULAR 2023; doi: 10.1136\/annrheumdis-2023-eular.418.<\/li>\n<\/ol>\n\n

          <\/p>\n\n

          InFo RHEUMATOLOGIE 2023: 5(2): 20\u201321<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

          Le score de focalisation (FS) sur les biopsies des petites glandes salivaires labiales est l’un des deux principaux crit\u00e8res (avec une positivit\u00e9 anti-SSA) pour le diagnostic du syndrome de Sj\u00f6gren…<\/p>\n","protected":false},"author":7,"featured_media":372237,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Syndrome de Sj\u00f6gren","footnotes":""},"category":[11315,11448,11535,11505,11549],"tags":[42460,18502,13703,67906,14154,73448,14160,51161,73447,73450,73449],"powerkit_post_featured":[],"class_list":["post-372236","post","type-post","status-publish","format-standard","has-post-thumbnail","category-medecine-interne-generale","category-orl-fr","category-rapports-de-congres","category-rhumatologie","category-rx-fr","tag-ai-fr","tag-apprentissage-profond","tag-biomarqueurs","tag-biopsies-fr-2","tag-diagnostic-fr","tag-glandes-salivaires-labiales","tag-intelligence-artificielle","tag-ki-fr","tag-pss-fr","tag-reseaux-neuronaux-fr","tag-syndrome-de-sjoegren-primaire","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-06-16 07:07:47","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"fr_FR","wpml_translations":{"it_IT":{"locale":"it_IT","id":372240,"slug":"lalgoritmo-aiuta-nella-diagnosi-della-pss","post_title":"L'algoritmo aiuta nella diagnosi della pSS","href":"https:\/\/medizinonline.com\/it\/lalgoritmo-aiuta-nella-diagnosi-della-pss\/"},"pt_PT":{"locale":"pt_PT","id":372245,"slug":"algoritmo-ajuda-no-diagnostico-da-esp","post_title":"Algoritmo ajuda no diagn\u00f3stico da ESP","href":"https:\/\/medizinonline.com\/pt-pt\/algoritmo-ajuda-no-diagnostico-da-esp\/"},"es_ES":{"locale":"es_ES","id":372251,"slug":"un-algoritmo-ayuda-en-el-diagnostico-del-ssp","post_title":"Un algoritmo ayuda en el diagn\u00f3stico del SSp","href":"https:\/\/medizinonline.com\/es\/un-algoritmo-ayuda-en-el-diagnostico-del-ssp\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/372236","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/comments?post=372236"}],"version-history":[{"count":3,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/372236\/revisions"}],"predecessor-version":[{"id":373283,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/372236\/revisions\/373283"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media\/372237"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media?parent=372236"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/category?post=372236"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/tags?post=372236"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/powerkit_post_featured?post=372236"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}