Combinaison de la texture trabéculaire osseuse et des réseaux de neurones convolutifs pour la prédiction de la progression de la gonarthrose : données des cohortes de l’OsteoArthritis Initiative (OAI) et de la Multicenter Osteoarthritis Study (MOST)

Introduction Examiner la capacite de l’analyse de la texture trabeculaire osseuse (TBT) combinee avec les reseaux de neurones convolutif (CNNs) pour predire la progression de la gonarthrose. Patients et methodes Cette etude a inclus 1888 patients de l’OAI et 683 patients de MOST. Les radiographies ont ete automatiquement segmentees pour determiner 16 regions d’interet. La reduction de l’interligne articulaire medial (JSN) a ete pris comme critere pour la definition de la progression de l’arthrose sur 48 mois dans l’OAI et 60 mois dans MOST. Une methode basee sur les CNNs a ete utilisee pour estimer les grades de Kellgren & Laurence (KLprob). Plusieurs modeles de prediction ont ete proposes et evalues a l’aide de la regression logistique. Les courbes ROC (receiver operating characteristic) ont ete utilisees comme critere global pour evaluer la capacite predictive de ces modeles. Resultats Le modele (Mcomb) combinant les parametres de TBT, de JSN lateral, de KLprob et des covariables cliniques etait predictif de la progression du JSN avec une AUC (area under the curve) de 0,75 pour l’OAI et de 0,81 pour MOST. La capacite predictive du modele Mcomb etait invariante par rapport a la modalite d’acquisition (radiographies numeriques, films numerises) mais aussi a la qualite des images. Les modeles de prediction ont produit de meilleurs resultats en utilisant les grades KLprob par rapport a ceux fournis par les radiologues. Cependant, les modeles bases sur TBT ont nettement surpasse les modeles bases sur KLprob dans l’etude MOST, et ont fourni des performances similaires dans l’OAI. De plus, le modele Mcomb, lorsqu’il a ete entraine dans une cohorte, a pu predire la progression de la gonarthrose dans l’autre cohorte. Discussion Notre etude implique l’utilisation des deux plus grandes cohortes bien phenotypees de patients gonarthrosiques. Nous avons evalue l’effet de differents scenarios de qualite d’image et de modalite sur les performances de la prediction de la progression de l’arthrose. Un avantage majeur de notre etude est l’evaluation de l’utilisation d’un modele entraine sur une cohorte et valide sur l’autre. Ce travail illustre la place que pourrait avoir l’intelligence artificiel combine aux outils de traitement d’images dans des applications cliniques en rhumatologie. Conclusion Nos resultats montrent la bonne performance du modele propose (Mcomb) pour la prediction de la progression du JSN medial sur une periode de 4 a 6 ans dans les deux plus vastes cohortes de gonarthrose.