Dépistage des patients souffrant d’apnée obstructive du sommeil via un apprentissage profond de la distillation des connaissances dans le céphalogramme latéral

Dans notre étude, nous avons proposé un modèle d’apprentissage profond basé sur la distillation des connaissances pour classer les patients en groupes OSA et non-AOS à l’aide du céphalogramme latéral. Les céphalogrammes latéraux ont été utilisés comme outil pour évaluer la morphologie cranio-faciale chez les patients présentant une malocclusion dans le département d’orthodontie. Étant donné que les patients atteints d’AOS présentent des caractéristiques anatomiques observables sur les céphalogrammes latéraux, il est utile d’examiner si l’apprentissage profond peut être un outil de dépistage pour les céphalogrammes latéraux afin de classer l’AOS et le non-AOS. Tsuiki et coll.¹⁴ ont tenté de développer un outil de dépistage de l’AOS basé sur l’apprentissage profond en utilisant pour la première fois le céphalogramme latéral. Cependant, leur étude n’a pas analysé toute la gravité du SAOS et a inclus uniquement des patients présentant un SAOS sévère. Dans le monde réel, puisque l’appareil d’imagerie utilisé par chaque hôpital est différent, les inévitables différences de modalités d’imagerie doivent être prises en compte. Par conséquent, nous avons essayé de surmonter ce problème et développé un modèle d’apprentissage profond robuste. Lors de la première formation utilisant ResNet-50, même si toutes les images ont été traitées pour surmonter les différences de modalité, le problème de la visualisation et de la classification de l’AOS avec modalité existait toujours car la plupart des céphalogrammes latéraux des patients atteints d’AOS étaient numérisés par une modalité d’imagerie spécifique, DP80P, de le département d’oto-rhino-laryngologie.

Le groupe non-OSA comprend toutes les images latérales A, tandis que le groupe OSA comprend principalement les images latérales B ; cependant, il existe également quelques images latérales A. Par conséquent, en vérifiant la valeur du résultat de l’image latérale A parmi les groupes OSA, il est possible d’évaluer si le problème causé par la différence de modalité a été surmonté (correspondant au point bleu sur la figure 3). Sur la base des résultats du modèle de base ResNet-50, dans le cas des points bleus, il a été confirmé qu’ils étaient répartis sur l’ensemble des valeurs de probabilité et qu’ils étaient particulièrement biaisés en faveur des non-OSA. Cela peut être interprété comme le résultat d’une classification du modèle en reconnaissant uniquement les mêmes informations de modalité, puisque la majorité du « Latéral A » correspond à un non-AOS. En revanche, dans notre modèle, la plupart des points bleus appartiennent au groupe OSA et les points verts et rouges ne sont pas non plus extrêmement biaisés d’un côté, mais se propagent plutôt plus naturellement à un niveau classifiable ; par conséquent, on peut dire que l’apprentissage a été accompli en surmontant les différences de modalité.

Par rapport au modèle de Tsuiki et al.¹⁴, notre modèle a des scores légèrement plus élevés pour AUROC, la sensibilité et la spécificité (Tableau 3). Bien que nos données soient peu nombreuses et que la différence de modalité présente des inconvénients importants, la distillation des connaissances surmonte ces problèmes.²³et le résultat final est stable et les excellentes performances ne sont pas biaisées contre une classe spécifique par rapport à l’étude précédente (n = 1 389 images de céphalogramme latéral).

Afin d’élaborer un modèle de classification plus précis et rationnel, il est judicieux d’apprendre en ajoutant des informations cliniques autres que les images nécessaires au diagnostic de l’AOS. Par conséquent, nous avons formé un modèle avec des informations sur le sexe ; cependant, la différence de performance était insignifiante. En effet, premièrement, il existe une différence de sexe entre les deux groupes, et les informations sur le sexe ne peuvent être reconnues par elles-mêmes qu’à travers l’image lors de la formation. Par conséquent, en fournissant des informations supplémentaires, il est important de sélectionner les informations à choisir, et il est nécessaire de réfléchir à la manière de fournir ces informations en harmonie avec les informations de l’image.

Lors de l’examen du potentiel d’AOS, quatre caractéristiques anatomiques majeures liées à l’AOS retiennent souvent l’attention : le rétrécissement du pharynx, le sous-menton, le menton et le complexe naso-maxillaire. Compte tenu du résultat moyen de Grad-CAM sur la figure 7, notre modèle se concentre sur la zone autour de la pointe du menton et la zone sous-mentonnière dans les groupes non-AOS et OSA. Cela signifie que notre modèle d’IA a classé l’AOS d’une manière similaire à ce que les humains voient attentivement. En outre, les voies respiratoires constituent également une zone importante dans le diagnostic de l’AOS. Cependant, contrairement au groupe non-AOS, ce n’est pas un domaine d’intérêt pour le groupe OSA. Les caractéristiques anatomiques normales avec des voies respiratoires larges peuvent être reconnues et classées comme normales ; cependant, les caractéristiques irrégulières du groupe OSA, telles que celles étroites ou floues par les bords des os, sont considérées comme relativement inaperçues dans la classification.

Il y a plusieurs limites à cette étude. D’après le tableau 1 et les résultats des études non appariées t test, on constate que les IMC du groupe OSA et du groupe non-AOS sont significativement différents, ce qui pourrait conduire à une classification en se concentrant uniquement sur le degré d’obésité. En fait, il a été confirmé que Grad-CAM se concentrait également davantage sur la couche adipeuse sous-maxillaire. De plus, contrairement à l’étude de Tsuiki et al.¹⁴, où seul le groupe SAOS sévère présentant les caractéristiques d’un oropharynx plus encombré a été testé, nous avons inclus tous les groupes SAOS dans l’expérience. Par conséquent, des données présentant des caractéristiques ambiguës peuvent exister et des patients atteints d’AOS non anatomique peuvent exister. On pense donc qu’il était difficile de créer un modèle idéal capable de classer en considérant les quatre zones (pharynx rétréci, sous-menton, menton et complexe naso-maxillaire). ainsi que les domaines d’intérêt OSA. Pour une étude plus approfondie, des informations cliniques supplémentaires doivent être prises en compte pour former un modèle avec un échantillon plus grand. Deuxièmement, il n’y a aucune validation externe dans cette étude. Il est très difficile d’acquérir un jeu de données externe supplémentaire. Dans un avenir proche, ce modèle devrait être testé pour une validation externe afin d’évaluer le surajustement et la robustesse de ce modèle.