Présentation

Les lésions pulmonaires, souvent identifiées de façon incidente sur l'imagerie pulmonaire ou pendant l'étude des symptômes respiratoires, représentent un large éventail de pathologies, allant des infections bénignes aux néoplasmes malins. La distinction entre lésions infectieuses et non infectieuses est une pierre angulaire de la radiologie thoracique, influe directement sur les décisions cliniques comme la nécessité d'une thérapie antimicrobienne, d'une surveillance accrue de l'imagerie ou de la biopsie tissulaire. Bien que la tomographie (CT) et la radiographie thoracique fournissent des informations anatomiques détaillées, les caractéristiques d'imagerie qui se chevauchent de nombreux processus infectieux et non infectieux peuvent conduire à une incertitude diagnostique.

Comprendre les lésions pulmonaires infectieuses et non infectieuses

Les lésions pulmonaires sont définies comme des zones focales d'une densité ou d'une opacité accrues dans le parenchyme pulmonaire, généralement visibles sur CT ou radiographie. Elles proviennent de diverses étiologies qui se divisent en deux catégories : infectieuses et non infectieuses.

Lésions infectieuses

Les pneumonies bactériennes sont souvent présentes comme consolidation lobaire avec bronchogrammes d'air, tandis que les pneumonies virales peuvent se manifester comme des opacités de verre de fond et une atteinte multilobare inégale. Les infections fongiques, en particulier chez les patients immunodéprimés, peuvent produire des lésions nodulaires avec des halos de verre de fond (le « signe halo ») ou une cavitation. La tuberculose présente généralement des nodules apicaux, des opacités arboricoles et des lésions cavitariennes.

Lésions non infectieuses

Les causes non infectieuses comprennent les tumeurs pulmonaires primaires et métastatiques, les néoplasmes bénins, les affections auto-immunes (p. ex., sarcoïdose, nodules rhumatoïdes) et les processus inflammatoires tels que l'organisation de pneumonies ou de fibrose pulmonaire. Les lésions malignes présentent souvent des marges irrégulières ou épilées, la lobulation, l'amélioration hétérogène et la croissance au fil du temps. Les lésions non infectieuses bénignes, comme les hamartomes ou les granulomes provenant d'une infection antérieure, peuvent avoir des frontières bien définies, la calcification ou la densité des graisses.

Techniques de traitement d'images pour la différenciation des lésions

Le traitement d'images comprend une série de méthodes informatiques qui améliorent, segmentent, quantifient et classent les anomalies dans les images médicales. Dans le contexte des lésions pulmonaires, ces techniques extraient des caractéristiques objectives et reproductibles qui aident à distinguer les infections des origines non infectieuses.

Segmentation

La segmentation isole la lésion du parenchyme pulmonaire, des vaisseaux et de la paroi thoracique. Les algorithmes semi-automatisés et entièrement automatisés (p. ex., croissance de la région, ensembles de niveaux et réseaux neuronaux convolutionnels) délimitent les limites de la lésion, ce qui permet une analyse volumétrique et morphométrique. La segmentation précise est essentielle parce que les caractéristiques subséquentes – comme la taille, la forme et la texture – sont dérivées de la région segmentée.

Analyse Texture et radiologie

L'analyse texturale quantifie l'arrangement spatial des intensités des pixels au sein de la lésion. Les statistiques de premier ordre (moyenne, variance, skewness, kurtose) décrivent l'histogramme global, tandis que les caractéristiques de second ordre (p. ex., matrice de co-occurrence de niveau gris, GLCM) capturent des motifs locaux tels que le contraste, l'homogénéité et l'entropie. Les caractéristiques de plus haut ordre de l'analyse par ondelettes ou fractales caractérisent davantage l'hétérogénéité. Les radiomiques se développent sur la texture en extrayant des centaines à des milliers de caractéristiques quantitatives des domaines d'intensité, de forme et de texture.

Apprentissage automatique et apprentissage approfondi

Les classificateurs d'apprentissage automatique (machines à vecteur support, forêts aléatoires, XGBoost) sont formés sur des caractéristiques radiomiques pour distinguer les types de lésions. L'apprentissage profond, particulièrement les réseaux neuronaux convolutionnels (RCN), peut apprendre des caractéristiques discriminantes directement à partir de patchs d'image, contournant ainsi l'ingénierie explicite des caractéristiques. Les RCN ont démontré une performance supérieure dans la classification des nodules pulmonaires sur CT, avec certains modèles permettant d'obtenir une précision comparable à celle des radiologistes expérimentés. Cependant, les modèles d'apprentissage profond nécessitent de grands ensembles de données annotés et une validation soigneuse pour éviter d'être surmontés.

Caractéristiques clés de l'imagerie différenciant les lésions infectieuses des lésions non infectieuses

Les algorithmes de traitement d'images reposent sur un ensemble de caractéristiques d'imagerie qui, lorsqu'elles sont quantifiées, aident à séparer les deux catégories.

Caractéristiques des lésions infectieuses

  • Les pneumonies infectieuses provoquent fréquemment le remplissage de l'espace aérien, ce qui entraîne une consolidation dense avec des bronchogrammes d'air (bronchis remplis d'air entourés de poumons opaques).Les opacités du verre (atténuation accrue des haies avec des marges bronchiques et vasculaires préservées) sont fréquentes dans les pneumonies virales et atypiques.
  • Cavitation: La nécrose dans une lésion peut produire des cavités. Dans les lésions infectieuses, les cavités peuvent avoir des parois épaisses et irrégulières (par exemple, tuberculose, abcès) ou minces (par exemple, infection fongique). La présence de niveaux de fluide atmosphérique suggère une infection pyrogénique.
  • Profil d'un chevreuil : Nodules centrilobulaires avec des opacités linéaires ramifiées représentant la propagation de l'infection endobronchiale, très suggestive de la bronchiolite infectieuse (p. ex. tuberculose, mycoplasme).
  • Périiles halo de verre de fond:[ L'opacité du verre de sol entourant un nodule (signe d'halo) est souvent observée avec une aspergillose invasive et d'autres infections fongiques, mais aussi avec des métastases hémorragiques et certaines tumeurs primaires.
  • Multiplicité et distribution :[ Les lésions infectieuses apparaissent souvent en multiples, avec une distribution vasculaire aléatoire ou broncho-vasculaire. Les lésions cavitariennes dans les lobes supérieurs sont classiques pour la tuberculose, tandis que la prédominance des lobes inférieurs suggère une pneumonie bactérienne.

Caractéristiques des lésions non infectieuses

  • Les bords et la lobulation épilés:[ Les bordures irrégulières en forme d'étoile sont caractéristiques des lésions malignes dues à une réaction desmoplasique. La lobulation indique une croissance inégale.
  • Growth through time: Les lésions malignes augmentent généralement en taille sur l'imagerie en série (temps de doublement du volume 30-400 jours).Les lésions infectieuses peuvent se résoudre ou changer plus rapidement avec le traitement, mais les granulomes chroniques peuvent rester stables pendant des années.
  • Amélioration et nécrose hétérogéniques: Les tumeurs malignes montrent souvent une amélioration périphérique irrégulière avec nécrose centrale, mais une telle nécrose peut également survenir dans les infections cavitariennes. La graisse ou la calcification est fortement suggérant de lésions bénignes non infectieuses (par exemple, hamartome avec calcification du maïs pop).
  • Effet de masse et invasion: Les tumeurs malignes non infectieuses peuvent causer une distorsion du bronchiole, une rétraction pleurale ou une invasion de la paroi thoracique, alors que les infections pures produisent rarement de tels effets, sauf si elles sont compliquées par un abcès.

Pièges de chevauchement et de diagnostic

Par exemple, un nodule rond bien circoncis avec cavité centrale peut être soit un granulome tuberculeux ou un carcinome squameux. Les nodules en verre de sol peuvent représenter un adénocarcinome pulmonaire (AIS, MIA) ainsi que l'organisation d'une pneumonie ou d'une pneumonie virale. Les radiologistes comptent sur le contexte clinique (fièvre, toux, immunocompétence) et l'imagerie antérieure pour résoudre ces ambiguïtés. Le traitement de l'image ajoute une quantification objective : l'entropie des lésions, la dimension fractale de la marge et la non-uniformité de la texture ont été montrés pour réduire le taux de faux positifs dans le dépistage du cancer du poumon en identifiant les processus infectieux hypermétabolisants qui miment le cancer.

Applications cliniques et impact sur la gestion des patients

L'intégration du traitement d'image dans les flux de travail cliniques présente des avantages tangibles pour les soins aux patients. Dans les milieux où les ressources en radiologie interventionnelle sont limitées, une différenciation précise et non invasive peut prévenir les biopsies inutiles et les risques associés (pneumothorax, hémorragie).

Par exemple, l'utilisation d'un modèle radiomique validé à base de CT pour différencier les granulomes tuberculeux du cancer du poumon au stade précoce peut réduire les références faussement positives de 43 % dans les régions où la tuberculose est endémique. Dans la pandémie de COVID-19, des outils de traitement d'image ont été mis au point pour distinguer les pneumonies virales des autres causes des GGO, aidant ainsi à trier et à isoler les décisions.

Les algorithmes de traitement d'images intégrés au processus de dépistage peuvent automatiquement caractériser chaque nodule et attribuer une probabilité de malignité. Le modèle de l'IA de la TCT pulmonaire développé par van Riel et al. a montré que l'ajout de caractéristiques de texture au modèle de l'Université Brock a amélioré de façon significative la spécificité sans sacrifier la sensibilité. De même, l'étude de Choi et al. a démontré qu'un système de CAO d'apprentissage approfondi réduisait le taux de biopsie bénigne de 30 % dans une cohorte de dépistage. Ces résultats mettent en évidence la possibilité de traiter l'image pour réduire le fardeau des patients et les coûts de soins de santé.

Défis et orientations futures

Malgré sa promesse, le traitement de l'image pour la différenciation des lésions pulmonaires est confronté à plusieurs obstacles. Premièrement, l'absence de séries de données normalisées et annotées pour la formation et la validation de différentes populations et types de scanners peut conduire à une dégradation du modèle lorsqu'il est déployé dans de nouvelles institutions.

Troisièmement, l'explication demeure un défi : les modèles d'apprentissage approfondi fonctionnent souvent comme des « boîtes noires », ce qui rend difficile pour les cliniciens de faire confiance à leurs extrants. Des efforts sont en cours pour produire des cartes de saliabilité et des explications basées sur l'attention qui mettent en évidence les régions d'image qui conduisent à la classification. L'autorisation réglementaire (ADF, marquage CE) pour de tels algorithmes est toujours en évolution, et seuls quelques systèmes d'IA ont obtenu l'approbation pour la détection ou la caractérisation des nodules pulmonaires. Quatrièmement, l'utilité clinique de nombreuses signatures radiomiques n'a pas été validée dans les essais prospectifs.

Les modèles multidimensionnels peuvent saisir l'interaction complexe entre la réponse de l'hôte et la biologie des lésions. De plus, l'incorporation de l'imagerie en série (analyse temporelle) permet de suivre les changements de lésion à de courts intervalles, ce qui est particulièrement utile pour différencier la résolution de l'infection de la malignité croissante. Les progrès dans les réseaux antagonistes génériques (RAG) peuvent également permettre une augmentation des données synthétiques pour améliorer la robustesse du modèle dans les types de lésions rares. Enfin, l'échographie au point de soins combinée au traitement de l'image par l'IA pourrait amener cette technologie à des environnements limités en ressources, où le fardeau diagnostique des maladies pulmonaires infectieuses est le plus élevé.

Conclusion

Le traitement de l'image est devenu un outil indispensable dans l'arsenal du radiologue pour différencier les lésions infectieuses des lésions pulmonaires non infectieuses.Par la segmentation, l'analyse de texture, la radiologie et l'apprentissage machine, les biomarqueurs quantitatifs d'imagerie peuvent découvrir des différences subtiles de morphologie, d'hétérogénéité et d'amélioration qui ne sont pas perçues de façon fiable par l'œil humain.Ces techniques améliorent la précision diagnostique, réduisent les biopsies inutiles et soutiennent la prise de décisions cliniques en temps opportun.