Marc-Antoine Delbarre, François Girardon, Lucien Roquette, Paul Blanc-Durand, Marc-Antoine Hubaut, Éric Hachulla, Franck Semah, Damien Huglo, Nicolas Garcelon, Etienne Marchal, Isabelle El Esper, Christophe Tribouilloy, Nicolas Lamblin, Pierre Duhaut, Jean Schmidt, Emmanuel Itti, Thibaud Damy, CHU Amiens-Picardie, CODOC SAS [Paris] (CS), Hôpital Henri Mondor, Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Hôpital Henri Mondor-Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), Hôpital Roger Salengro [Lille], Institute for Translational Research in Inflammation - U 1286 (INFINITE (Ex-Liric)), Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Lille-Centre Hospitalier Régional Universitaire [Lille] (CHRU Lille), CHU Lille, Troubles cognitifs vasculaires et dégénératifs, Université de Lille, Sciences et Technologies, Thérapies Laser Assistées par l'Image pour l'Oncologie - U 1189 (ONCO-THAI), Centre de Recherche des Cordeliers (CRC (UMR_S_1138 / U1138)), École Pratique des Hautes Études (EPHE), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Université Paris Cité (UPCité), Health data- and model- driven Knowledge Acquisition (HeKA), Inria de Paris, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre de Recherche des Cordeliers (CRC (UMR_S_1138 / U1138)), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Université Paris Cité (UPCité)-École Pratique des Hautes Études (EPHE), Mécanismes physiopathologiques et conséquences des calcifications vasculaires - UR UPJV 7517 (MP3CV), Université de Picardie Jules Verne (UPJV)-CHU Amiens-Picardie, Facteurs de Risque et Déterminants Moléculaires des Maladies liées au Vieillissement - U 1167 (RID-AGE), Institut Pasteur de Lille, Réseau International des Instituts Pasteur (RIIP)-Réseau International des Instituts Pasteur (RIIP)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Lille-Centre Hospitalier Régional Universitaire [Lille] (CHRU Lille), and CHU Henri Mondor [Créteil]
International audience; BackgroundCardiac uptake on technetium-99m whole-body scintigraphy (WBS) is almost pathognomonic of transthyretin cardiac amyloidosis. The rare false positives are often related to light-chain cardiac amyloidosis. However, this scintigraphic feature remains largely unknown, leading to misdiagnosis despite characteristic images. A retrospective review of all WBSs in a hospital database to detect those with cardiac uptake may allow the identification of undiagnosed patients.ObjectivesThe authors sought to develop and validate the first deep learning–based model that automatically detects significant cardiac uptake (≥Perugini grade 2) on WBS from large hospital databases in order to retrieve patients at risk of cardiac amyloidosis.MethodsThe model is based on a convolutional neural network with image-level labels. The performance evaluation was performed with C-statistics using a 5-fold cross-validation scheme stratified so that the proportion of positive and negative WBSs remained constant across folds and using an external validation data set.ResultsThe training data set consisted of 3,048 images: 281 positives (≥Perugini 2) and 2,767 negatives. The external validation data set consisted of 1,633 images: 102 positives and 1,531 negatives. The performance of the 5-fold cross-validation and external validation was as follows: 98.9% (± 1.0) and 96.1% for sensitivity, 99.5% (± 0.4) and 99.5% for specificity, and 0.999 (SD = 0.000) and 0.999 for the area under the curve of the receiver-operating characteristic curves. Sex, age