Prognosis for Degenerative Cervical Myelopathy: A Computer Learning Approach on the AOspine Database

Description du problème : La myélopathie cervicale dégénérative (MCD) est une condition particulière liée à l'âge touchant environ 600 adultes par million à travers le monde [1]. Elle résulte d'une compression spontanée de la moelle épinière, causée par une excroissance os-seuse d'une vertèbre cervicale ou bien d'un des disques intervertébraux. Dans les deux cas, la moelle se retrouve comprimée et le patient commence à perdre sensations et contrôle mo-teur. Cette maladie a un très fort impact socio-économique. En e˙et, les patients perdent graduellement l'usage de leurs membres, les empêchant de vivre et de travailler au fur et à mesure que la compression augmente [2] [3]. Cette maladie est principalement diagnostiquée à l'aide d'évaluations cliniques du contrôle moteur et l'utilisation d'imagerie par résonance magnétique. Le problème reste toutefois com-plexe, car la compression peut être asymptomatique, et de faibles compressions sont encore diÿciles à détecter avec les méthodes d'imagerie actuelle. Certains patients peuvent attendre de long mois avant d'avoir un diagnostic [4]. Fort heureusement, une méthode existe afin de limiter la future perte de contrôle moteur : il s'agit de la chirurgie décompressive. Cette chirurgie peut prendre plusieurs formes et est décidée au cas par cas. Il n'existe pas encore de consensus sur les détails et les approches de telles opérations. Toutefois, cette opération compte de très nombreux risques (p. ex., pa-ralysie C5) [3]. La moelle épinière est en e˙et une zone sensible, et le chirurgien doit aller travailler au plus proche de cette autoroute nerveuse vitale. De nombreuses complications peuvent suivre. Bien que le résultat possible semble excéder les risques, la réalité est bien di˙érente, car seulement 40 % des opérations ont un réel impact sur le rétablissement des patients.Le pronostic postopératoire est une tâche compliquée et l'opération est donc choi-sie par défaut. La question demeure sur la possibilité d'établir ce pronostic de manière plus précise. Il n'existe pour l'instant que peu d'étude se penchant sur l'analyse quantitative de données cliniques des patients afin d'obtenir un pronostic postopératoire. L'une des pistes d'exploration serait d'utiliser des méthodes d'intelligence artificielle afin de créer un modèle capable d'aider les chirurgiens dans leur prise de décision. Cela passe par l'exploitation de données cliniques et IRM. Durant les années précédentes, seulement deux études sont appa-rues exploitant des données similaires dans un but identique. Ces études sont principalement centrées sur l'analyse des données cliniques [5] [6]. Objectifs : L'objectif de cette étude est de créer ou d'exploiter un modèle existant afin de vérifier si l'intelligence artificielle pourrait apporter des solutions à ce problème. Parmi les sous-objectifs de ce travail, le but est notamment de vérifier les hypothèses suivantes : • L'exploitation d'IRM conjointement avec les données cliniques apporte de meilleurs résultats • Il est possible d'établir un modèle de pronostic postopératoire pour la myélopathie cervicale dégénérative. Méthodes et matériel : Nous avons à notre disposition une base donnée de 759 sujets pour lesquels nous avons 135 points de données cliniques ainsi que, pour une partie des sujets, des images IRM de modalité T2 et T1 avec les vues axiales et sagittales. Ces informations cliniques regroupent di˙érentes données médicales et courantes sur le patient telles que l'âge, le sexe, etc... Ces données ont été acquises prospectivement durant une précédente étude : AOSpine [7]. Ces données proviennent de di˙érents centres et o˙rent donc une bonne hété-rogénéité au niveau du contraste des images, simulant correctement des données réelles. Cela est important pour évaluer la capacité de généralisation du modèle. Ces patients sou˙rent tous de MCD et ont été opérés dans les di˙érents centres. Parmi ces données, nous avons di˙érents scores d'évaluation de leur capacité de contrôle moteur ainsi que de leur sensation (MJOa,SF6D, . . . ). Ces scores cliniques ont été établis avant l'opération ainsi que 6, 12 et 24 mois après. La di˙érence entre le score préopératoire et le score postopératoire servira de cible. Le score le plus important semble être celui établi sur l'échelle de la modified japanese orthopedic association (MJOa). La di˙érence entre le score préopératoire et le score postopé-ratoire pourra être classifiée en 2 catégories selon la di˙érence minimale significative qui est de 2 points [8]. Une augmentation du score de 2 traduirait donc une amélioration de l'état des patients après chirurgie. Les données contiennent également des informations sur l'opération subie par le patient qui ne sont a priori pas disponibles dans le cadre de pronostic préopératoire. Toutefois, cela pourrait être utile pour étudier l'impact de ces données sur les performances de notre modèle prédictif. Les données cliniques ont tout d'abord été manuellement analysées afin d'essayer d'en ex-traire uniquement les données importantes ainsi que de retirer les données postopératoires dans un premier temps. Cela a permis d'établir un score de base sur un modèle classique type «random forest» fourni dans le package «scikit-learn» de python. Plusieurs modèles de machine learning ont alors été testés pour établir un score maximum atteignable avec ces données. Nous avons également ajouté les données opératoires dans nos modèles afin d'éva-luer leur impact sur les performances du modèle. Par la suite, di˙érents modèles de réseaux de neurones artificiels, principalement convolu-tionnels,ont été créées afin d'e˙ectuer l'analyse automatique des images IRM. Ces images n'étaient pas les images originales, mais le résultat d'un prétraitement à l'aide de la «spinal cord toolbox» [9]. Di˙érents modèles furent établis : le premier utilisait uniquement les IRM T2 sagittal, le suivant les IRM T2 et T1 sagittal, et le dernier fonctionnait les données T1 et T2 sagittales ainsi que les données cliniques. La partie du réseau traitant les données cliniques fut également testée seule pour vérifier ses performances face au modèle de machine learning établi à l'étape précédente. Le pipeline donne une précision de prédiction de 72,5 % ( soit une amélioration de 8 % par rapport a la baseline) avec une aire sous la courbe (ASC) de 0,73 pour le modèle basé unique-ment sur des données cliniques. Toutefois, cela dépend fortement de la quantité de données disponibles. Les modèles d'apprentissage profond ont tendance à overfit ou underfit les don-nées montrant un manque de généralisabilité du modèle, ce qui pourrait s'expliquer par le nombre réduit d'IRM disponibles. L'ajout des données extraites semble fournir au modèle une plus grande capacité puisque l'amélioration par rapport à la baseline atteint 8 % avec une précision de 65,2 % et une ASC de 0,69 avec moins de sujets que le premier modèle.

Abstract

Description of the problem: Spinal injuries may impair patients' motor control as the spinal cord represents a nervous highway connecting the brain and the limb. Some of these in-juries arise from accidents others occur progressively; such includes Degenerative Cervical Myelopathy (DCM). Cervical myelopathy is caused by the compression of the spinal cord by an outgrowth of a vertebral body or intervertebral disc, yielding symptoms such as sen-sorimotor dysfunction or pain. Cervical myelopathy is degenerative, which implies that it only gets worse as time goes by, and the compression increases. This condition is a cause of surgery among 40 adults per million yearly [1]. The diagnosis for this condition is made possible through clinical motor skill testing and magnetic resonance imaging (MRI). However, diagnosis is still a complex problem as the compression can be asymptomatic or, in some cases, not easily visible in MR images at its early stages. The diagnosis can take months, if not years, for some patients. [4] The current study proposes a decompressive surgery which aims at removing the object causing the compression, or at least, part of it. The goal here is to avoid further compression of the spinal cord and alleviate the existing ones. This operation can take various forms (anterior or posterior approach, bone graft, bone fusion) and includes many risks (e.g., C5 palsy) [3] as this touches the spinal cord, that is, highly sensitive and important to the body. The details of each surgery are then determined case by case by the surgeon as no consensus on the aspects of such operation exists [10]. This exposes a complicated scenario in predicting the outcome of the surgery. Even though the benefits seem to outweigh the risk, the operation is only successful in 35 % [11] of the cases. This success rate is based on the improvement of the patients' sensorimotor skills. As it is complex to predict the outcome, surgery is often seen as a default option; however, there is an open question about the possibility of predicting the outcome of the surgery. To the best of my knowledge, only a handful of studies that utilize quantitative clinical data analysis in predicting post-surgery prognosis exist. One of the leading techniques is the use of data science and artificial intelligence to design a model that will be able to establish this prognosis and assist surgeons in the decision process with AO spine [7] clinical data. The first study exploring this concept was published in 2019 [5], and, since then, only two studies have been conducted to improve on the methodology [6]. These studies mainly focus on the analysis of clinical data.Objectives: Primary Goal: The primary goal of this study is to develop a model based on artificial intelligence (AI) that can be used in patient prognosis and treatment of DCM The sub-objectives for the study are: • To establish the eÿcacy of using MRI in conjunction with clinical data in providing better results in treatment and prognosis. • To establish a postoperative prognostic model for DCM. Material and method: The database consists of 769 subjects, most of whom have T2 and T1 MRI images with an axial and sagittal view and 135 clinical data points. These data was acquired prospectively during the AOSpine study. These data came from numerous centers and o˙er a functional heterogeneity in image contrast, making it close to a real-life scenario. The inclusion criteria for patients used as participants in this study were to be su˙ering from DCM and have undergone surgery. Among these data, we have di˙erent clinical evaluations of their sensorimotor capacities according to various scales (MJOa, SF6D. . . ). These scores were established before the operation as well as 6, 12, and 24 months after the surgery. The goal is to predict the di˙erence between pre-surgery and post-surgery scores. We evaluated which score is the most relevant among the three measures at 6, 12, and 24 months. This target can be classified into two categories according to the minimum clinically significant di˙erence [8], which is two. The Modified Japanese Orthopedic Association (MJOA) has been used in this study to record and gauge the results. An increase of 2 points or more would, therefore, reflect an improvement in the condition of the patient after the surgery. The data also contain information from the surgery performed on the patient, which isn't available in the preoperative prognosis. However, this may be useful to study the impact of these data on the performance of our predictive model. Three approaches were tested in order to try to improve on the current prognosis. The first one aims at exploiting clinical data, the second one aimed at leveraging deep learning method to use images as well as clinical data as input, the third one exploit features extracted from Magnetic Resonance (MR) images. Clinical data was processed through machine learning. This was done after a pre-processing step aimed at removing the non-relevant features in order to get the best results possible. To process available MRI data jointly with clinical data, two di˙erent strategies were implemented. The first one is geared towards the use of deep learning and the exploita-tion of artificial neural networks, which were fed pre-processed sagittal images and clinical data. The models used were a Resnet and a custom model to use both T1w and T2w MR im-ages. The model is based on three di˙erent modules. Two of them are similar and were used to process and encode features from the image. They were created with convolutional filter and inception modules. The second one relies on feature extraction from the axial images through a semi-automatic processing pipeline. These features were then added to the existing clinical one to improve the ability of the model to generalize to the unseen cases. All models were tested for accuracy on unseen data. Data were split between training, validation, and testing (80%,10%,10%, respectively). Results show an accuracy of 72.5 % ( 8 % improvement from the baseline) with an area under the curve (AUC) of 0.75 for the model-based solely on clinical data. This is, however, heavily dependent on the quantity of available data. Deep learning models tend to overfit or underfit the data showing a lack of generalizability from the model, which could be explained by the reduced number of available MRI. The added extracted feature seems to provide the model with valuable insight as the improvement from the baseline reaches 8 % with an accuracy of 65.2% and an AUC of 0.68 with less subject than the first model.