Apprentissage profond de la relation entre l’épaisseur myocardique et les arythmies ventriculaires post-infarctus grâce à un modèle génératif entrainé sur une large base rétrospective de scanner cardiaque

Abstract

Contexte : l’amincissement de la paroi ventriculaire gauche (VG) en scanner est associé au substrat arythmogène des arythmies ventriculaires (AV) post infarctus. Objectif : étudier la relation entre l’épaisseur VG et la survenue d’AV post-infarctus à partir d’une large base de données rétrospective de scanner cardiaque et à l’aide de méthodes d’apprentissage profond. Méthodes : plusieurs algorithmes d’intelligence artificielle ont été appliqués afin de 1/ segmenter la paroi VG, 2/ calculer les épaisseurs locales, 3/ générer des cartes polaires d’épaisseur VG, 4/ entrainer l’espace latent d’un modèle génératif de type auto-encodeur variationnel à reconstruire les cartes d’épaisseur, et enfin 5/ entrainer un modèle classifieur à prédire la présence d’AV à partir de cet espace latent, avec pour chaque prédiction le calcul d’une carte d’attention localisant dans la carte originale les régions utiles à la prédiction. Le modèle était entrainé sur 80% des sujets puis validé sur les 20% restant. Résultats : 641 patients ont été inclus (âge73±9ans, 17% femmes, FEVG 46[34;55]%, 26% d’AV). Une fois les réseaux entrainés, le modèle permettait un calcul automatique et rapide (<3 min) d’une carte polaire d’épaisseur, d’une taille de cicatrice, d’une prédiction de présence/absence d’AV et d’une carte d’attention expliquant cette prédiction. La prédiction du modèle était le paramètre le plus étroitement associé aux AV à l’analyse multivariée (P<0.0001, sensibilité 87% et spécificité 74%). L’analyse des cartes d’attention confirmait que l’information utile à la prédiction correspondait à la zone cicatricielle, et suggérait que le réseau discriminait les zones cicatricielles des régions physiologiquement fines. Conclusion: l’étendue de myocarde VG d’épaisseur <5mm au scanner est associée à la présence d’AV post-infarctus. Cette valeur prédictive augmente lorsque l’hétérogénéité des épaisseurs est prise en compte par le modele génératif et permet une prédiction plus précise que la FEVG.