Incidents associés
Abstrait
Les méthodes d'apprentissage automatique sont très prometteuses pour une détection et un pronostic rapides et précis de la maladie à coronavirus 2019 (COVID-19) à partir de radiographies thoraciques standard (CXR) et d'images de tomodensitométrie thoracique (CT). De nombreux articles ont été publiés en 2020 décrivant de nouveaux modèles basés sur l'apprentissage automatique pour ces deux tâches, mais on ne sait pas lesquels ont une utilité clinique potentielle. Dans cette revue systématique, nous considérons tous les articles et prépublications publiés, pour la période du 1er janvier 2020 au 3 octobre 2020, qui décrivent de nouveaux modèles d'apprentissage automatique pour le diagnostic ou le pronostic du COVID-19 à partir d'images CXR ou CT. Tous les manuscrits téléchargés sur bioRxiv, medRxiv et arXiv ainsi que toutes les entrées dans EMBASE et MEDLINE pendant cette période sont pris en compte. Notre recherche a identifié 2 212 études, dont 415 ont été incluses après le dépistage initial et, après un dépistage de qualité, 62 études ont été incluses dans cette revue systématique. Notre revue révèle qu'aucun des modèles identifiés n'est d'utilisation clinique potentielle en raison de défauts méthodologiques et/ou de biais sous-jacents. Il s'agit d'une faiblesse majeure, compte tenu de l'urgence avec laquelle des modèles COVID-19 validés sont nécessaires. Pour résoudre ce problème, nous donnons de nombreuses recommandations qui, si elles sont suivies, résoudront ces problèmes et conduiront à un développement de modèles de meilleure qualité et à des manuscrits bien documentés.
Principal
En décembre 2019, un nouveau coronavirus a été reconnu pour la première fois à Wuhan, en Chine. Le 30 janvier 2020, alors que les taux d'infection et les décès à travers la Chine montaient en flèche et que le premier décès hors de Chine était enregistré, l'Organisation mondiale de la santé (OMS) a décrit la maladie alors sans nom comme une urgence de santé publique de portée internationale. La maladie a été officiellement nommée maladie à coronavirus 2019 (COVID-19) le 11 février 2020 et a été déclarée pandémie le 11 mars 2020. Depuis sa première description fin 2019, l'infection à COVID-19 s'est propagée à travers le monde, provoquant des perturber et étirer notre capacité à fournir des soins de santé efficaces. Cela a été causé par un manque de connaissances sur le comportement du virus ainsi que par un manque de vaccin efficace et de thérapies antivirales.
Bien que la PCR avec transcription inverse (RT-PCR) soit le test de choix pour diagnostiquer la COVID-19, l'imagerie peut compléter son utilisation pour obtenir une plus grande certitude diagnostique ou même être un substitut dans certains pays où la RT-PCR n'est pas facilement disponible. Dans certains cas, des anomalies de la radiographie thoracique (CXR) sont visibles chez les patients qui avaient initialement un test RT-PCR négatif et plusieurs études ont montré que la tomodensitométrie (TDM) thoracique a une sensibilité plus élevée pour le COVID-19 que la RT-PCR, et pourrait être considérée comme un outil de diagnostic primordial. En réponse à la pandémie, les chercheurs se sont précipités pour développer des modèles utilisant l'intelligence artificielle (IA), notamment l'apprentissage automatique, pour soutenir les cliniciens.
Compte tenu des développements récents dans l'application des modèles d'apprentissage automatique aux problèmes d'imagerie médicale, il est très prometteur d'appliquer des méthodes d'apprentissage automatique à l'imagerie radiologique COVID-19 pour améliorer la précision du diagnostic, par rapport à la RT-PCR de référence, tout en fournissant également un aperçu précieux pour le pronostic des résultats des patients. Ces modèles ont le potentiel d'exploiter la grande quantité de données multimodales collectées auprès des patients et pourraient, en cas de succès, transformer la détection, le diagnostic et le triage des patients suspects de COVID-19. La plus grande utilité potentielle est un modèle qui peut non seulement distinguer les patients atteints de COVID-19 des patients sans COVID-19, mais aussi discerner d'autres types de pneumonie tels que ceux d'étiologies bactériennes ou virales. En l'absence de normalisation, les algorithmes d'IA pour COVID-19 ont été développés avec une très large gamme d'applications, de procédures de collecte de données et de mesures d'évaluation des performances. Peut-être en conséquence, aucun n'est actuellement prêt à être déployé en clinique. Les raisons à cela incluent : (1) le biais dans les petits ensembles de données ; (2) la variabilité des grands ensembles de données provenant de sources internationales ; (3) la mauvaise intégration des données multiflux, en particulier des données d'imagerie ; (4) la difficulté de la tâche de pronostic ; et (5) la nécessité pour les cliniciens et les analystes de données de travailler côte à côte pour s'assurer que les algorithmes d'IA développés sont cliniquement pertinents et applicables aux soins cliniques de routine. Depuis le début de la pandémie au début de 2020, les chercheurs ont répondu à «l'appel aux armes» et de nombreux modèles d'apprentissage automatique pour le diagnostic et le pronostic du COVID-19 à l'aide de l'imagerie radiologique ont été développés et des centaines de manuscrits ont été rédigés. Dans cette analyse, nous avons passé en revue toute la littérature sur les méthodes d'apprentissage automatique appliquées au scanner thoracique et à la radiographie thoracique pour le diagnostic et le pronostic du COVID-19. Comme il s'agit d'un domaine en développement rapide, nous avons examiné les études publiées et préimprimées pour assurer une couverture maximale de la littérature.
Alors que les revues précédentes ont fourni une large analyse des modèles prédictifs pour le diagnostic et le pronostic du COVID-19, cette analyse met en évidence les défis uniques auxquels les chercheurs sont confrontés lors du développement de modèles classiques d'apprentissage automatique et d'apprentissage en profondeur à l'aide de données d'imagerie. Cette analyse s'appuie sur l'approche de Wynants et al. : nous évaluons le risque de biais dans les articles considérés, allant plus loin en incorporant une étape de sélection de qualité pour garantir que seuls les articles avec des méthodologies suffisamment documentées sont examinés en détail. Nous concentrons également notre examen sur les défauts méthodologiques systématiques dans la littérature actuelle sur l'apprentissage automatique pour les modèles de diagnostic et de pronostic COVID-19 utilisant des données d'imagerie. Nous donnons également des recommandations détaillées dans cinq domaines : (1) considérations lors de la collecte d'ensembles de données d'imagerie COVID-19 qui doivent être rendus publics ; (2) considérations méthodologiques pour les développeurs d'algorithmes ; (3) problèmes spécifiques de reproductibilité des résultats dans la littérature ; (4) considérations pour les auteurs afin d'assurer une documentation suffisante des méthodologies dans les manuscrits; et (5) considérations pour les examinateurs effectuant l'examen par les pairs des manuscrits.
Cette analyse a été réalisée et éclairée par des cliniciens et des développeurs d'algorithmes, avec nos recommandations visant à garantir que les questions les plus pertinentes sur le plan clinique sont traitées de manière appropriée, tout en maintenant des normes de pratique pour aider les chercheurs à développer des modèles utiles et à rapporter des résultats fiables même au milieu d'une pandémie.