• Langue : Français
• Discipline : Médecine. Radiodiagnostic et imagerie médical
• Identifiant : 2021LILUM258
• Type de thèse : Doctorat de médecine
• Date de soutenance : 01/07/2021

Résumé en langue originale

CONTEXTE : Les erreurs de diagnostic sur les radiographies traumatologiques sont courantes, notamment chez l’enfant. De nombreux modèles d’intelligence artificielle (IA) ont été développés pour détecter les lésions post-traumatiques mais peu ont été validés chez l’enfant. De plus, l’impact de ces modèles en pratique clinique est rarement évalué. L’objectif était de développer un modèle d’IA capable de détecter les lésions post-traumatiques sur les radiographies du coude pédiatrique, d’évaluer ses performances puis l’impact de son utilisation par les radiologues. MÉTHODE : 1956 radiographies pédiatriques du coude post-traumatique ont été collectées chez 935 patients âgés de 0 à 18 ans. Elles ont été réparties aléatoirement en trois jeux de données : données d’entraînement, de validation et de test interne. Les réseaux de neurones convolutifs profonds ont été formés en faisant varier les hyperparamètres (données d’entraînement et de validation) puis évalués sur les données de test interne. Les deux meilleurs modèles sélectionnés ont été évalués sur des données de test externe impliquant 120 patients, dont les radiographies ont été réalisées avec un équipement radiologique différent à une autre période. Huit radiologues ont interprété ces données sans l'aide des modèles d’IA puis avec. RÉSULTATS : Deux modèles se sont démarqués sur les données de test interne. Le modèle 1 (M1) avait une précision de 95.8% et une AUROC de 0.98, avec le meilleur compromis Sensibilité (Se)/Spécificité (Sp) (Se=0.93/Sp=0.97). Le modèle 2 (M2) avait une précision de 90.5% et une AUROC de 0.97 avec une meilleure Se mais une Sp plus faible (Se=0.97/Sp=0.84). Sur le jeu de test externe, M1 a conservé une bonne précision de 82.5% et AUROC de 0.916 (-0.067) ainsi qu'un bon compromis Se/Sp (Se=0.84/Sp=0.80). En revanche, M2 a connu une baisse de performance avec une perte de précision jusqu'à 69.2% et d'AUROC à 0.793 (-0.182). M1 a significativement amélioré la Se du radiologue (0.82 à 0.88 ; p=0.02) et la précision (0.86 à 0.88 ; p=0.04), tandis que M2 a significativement diminué la Sp des lecteurs (0.86 à 0.83; p=0.03). CONCLUSION : Le développement d’un modèle d’IA pour détecter les lésions post-traumatiques du coude pédiatrique en radiographie est faisable mais des modèles avec des performances proches in silico peuvent conduire les radiologues à améliorer (M1) ou à baisser (M2) leurs performances en pratique clinique, soulignant la nécessité d'une évaluation clinique précise des outils basés sur l'IA.