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.