Le diagnostic de la polyarthrite rhumatoïde repose sur une association de critères cliniques, biologiques et d’imagerie. Parmi ces critères, la quantification radiographique de l’atteinte est indispensable à l’instauration des stratégies thérapeutiques et au suivi clinique du patient.

Fréquemment utilisée dans les essais cliniques et les études observationnelles, la méthode de Sharp/van der Heijde (SvH) permet d’évaluer la sévérité de l’érosion osseuse et du pincement articulaire sur des radiographies de mains et de pieds. L’évaluation manuelle de ces atteintes requiert un certain niveau d’expertise, du temps et peut souffrir des variabilités d’interprétation inter-observateurs.

L’objectif de cette étude est d’utiliser des réseaux de neurones convolutifs pour automatiser la cotation du SvH et la classification des patients sur cette échelle.

Ces travaux utilisent une base de données publique composée de 3818 radios des deux mains. Pour chaque radio, nous disposons d’une cotation de la sévérité de l’atteinte, évaluée avec la méthode de Sharp/van der Heijde. Le score SvH a des valeurs comprises entre 0 et 280 car seules les deux mains sont utilisées.

La base de données a été séparée en un jeu d’entraînement, de validation et de test (respectivement 64 %, 16 % et 20 %). Deux réseaux de neurones convolutionnels (CNN) ont été entraînés. Le premier prédit la valeur du score SvH. Le second classifie les patients entre deux groupes, en fonction de leur score : inférieur à 70 ou supérieur à 70.

Pour améliorer les performances des algorithmes, différentes techniques ont été mises en place : apprentissage par transfert, fonctions d’augmentation des données (rotation, inversion par symétrie, bruitage) et recherche de la meilleure architecture.

Le réseau de prédiction a une erreur moyenne de 16,00 (std 17,75), avec une corrélation de Pearson de 0,86.

L’algorithme de classification a obtenu une valeur moyenne de l’aire sous la courbe (AUC) de 0,97, une accuracy de 0,84 et une valeur prédictive positive de 0,91.

Cette étude démontre l’intérêt de l’utilisation d’algorithmes d’intelligence artificielle dans le diagnostic et le suivi standardisé des patients atteints de la polyarthrite rhumatoïde.

Ils permettent d’aider les cliniciens dans l’évaluation des lésions ostéoarticulaires et la stratification des patients en fonction de la sévérité de l’atteinte avec une grande précision.