Améliorer le diagnostic de fracture de scaphoïde grâce au deep learning
VENDREDI 30 JUILLET 2021
Soyez le premier à réagirUn système automatisé d'intelligence artificielle (IA) serait efficace pour améliorer la détection des fractures du scaphoïde aux rayons X, selon une étude publiée dans la revue Radiology: Artificial Intelligence. Des chercheurs hollandais ont en effet entraîné un algorithme dérivé de deep learning pour aider à accélérer le diagnostic et permettre un traitement plus précoce. Les premiers résultats sont très intéressants.
Les fractures du scaphoïde représentent jusqu'à 7 % de toutes les fractures squelettiques recensées aux USA. Un diagnostic rapide est primordial car un défaut de traitement peur entraîner des effets secondaires comme l'arthrite une diminution fonctionnelle. C’est la raison pour laquelle la radiographie conventionnelle du poignet, qui est la technique d'imagerie de choix pour diagnostiquer les fractures du scaphoïde, doit être interprétée soigneusement en raison du chevauchement avec les os environnants du poignet.
Quels outils permettraient-ils d’améliorer le diagnostic de la fracture de scaphoïde ?
"Les fractures du scaphoïde peuvent être négligées lors des examens radiologiques initiaux", précise à cet égard l'auteur principal d’une étude publiée dans la Revue Radiology : Artificial intelligence sur ce sujet, le Dr Nils Hendrix, candidat au Jeroen Bosch Hospital et à la Jheronimus Academy of Data Science aux Pays-Bas. Lui et ses collègues ont récemment étudié un système qui pourrait aider les radiologues à détecter ces fractures courantes. Le système est basé sur un deep learning avec un réseau de neurones convolutifs.
Alors que des recherches antérieures ont révélé qu'un réseau de neurones convolutifs ne se montre pas supérieur aux interprétations humaines pour identifier les fractures du scaphoïde aux rayons X, son travail a utilisé des ensembles de données plus volumineux et des algorithmes améliorés pour une meilleure identification des lésions. Il a également utilisé des cartes d'activation de classe. Les chercheurs ont, dans cette étude, utilisé des milliers de radiographies conventionnelles de la main, du poignet et du scaphoïde pour développer le système. Ils l'ont testé sur un ensemble de données de 190 radiographies et ont comparé ses performances à celles de 11 radiologues.
Le deep learning, un potentiel important en utilisation clinique
Le système avait une sensibilité de 78 % pour détecter les fractures avec une valeur prédictive positive de 83 %, ce qui fait référence à la probabilité que les patients identifiés par l'IA comme ayant une fracture en aient réellement une. L'analyse a montré que le système fonctionnait de manière comparable aux 11 radiologues. Mais le système a un potentiel important en utilisation clinique, selon le Dr Hendrix. Cela pourrait réduire l'incidence et les coûts des examens d'imagerie supplémentaires et des thérapies inutiles, accélérer le diagnostic et permettre un traitement plus précoce.
"Le système peut être en mesure d'aider les résidents, les radiologues ou d'autres médecins en agissant soit en tant que premier ou deuxième lecteur, soit en tant qu'outil de triage, réduisant potentiellement le risque de manquer une fracture, poursuit-il. Le réseau de neurones convolutifs peut également réduire l'immobilisation inutile du poignet, réalisée par précaution, chez plus de la moitié des patients cliniquement suspectés d'avoir une fracture du scaphoïde".
Les cartes d'activation de classe se chevauchent avec les lignes de fracture du scaphoïde, suggérant qu'elles pourraient être utilisées pour localiser des fractures potentielles. Le Dr Hendrix et ses collègues prévoient d'étendre le système de détection des fractures du scaphoïde afin qu'il puisse combiner plusieurs vues aux rayons X pour ses prédictions, ainsi également d’étendre le système à la détection de fractures dans d'autres structures osseuses.
Bruno Benque avec RSNA