Mieux identifier les pathologies réticulaires grâce au deep learning
VENDREDI 29 OCTOBRE 2021
Soyez le premier à réagirUn article publié dans l’American Journal of Roentgenology fait l’apologie du deep learning pour l’identification de lésions réticulaires pulmonaires à la radiographie du thorax. Ce processus améliore ainsi la sensibilité de la radiographie qui n’était historiquement pas très pertinente dans ce cadre.
Selon un article publié dans l’American Journal of Roentgenology (AJR), la sensibilité des radiologues relative aux radiographies thoraciques réalisées dans le cadre d’une opacité réticulaire chez les patients atteints d'une maladie pulmonaire interstitielle a été améliorée à l'aide d'un algorithme de deep learning.
« L'utilisation du deep learning améliore significativement les performances du lecteur et aboutit à un meilleur consensus entre observateurs, plus sur le versant sensibilité que sur celui de la spécificité », écrit l'auteur correspondant de cette étude, le Dr Sang Min Lee du centre médical coréen Asan de Séoul.
L'étude rétrospective du Dr Lee et de son équipe a inclus 197 patients (130 hommes, 67 femmes ; âge moyen, 62,6 ans) atteints d'une pathologie réticulaire prouvée chirurgicalement entre janvier 2017 et décembre 2018 et ayant subi une radiographie thoracique 
préopératoire ainsi qu’une tomodensitométrie (TDM) thoracique dans un délai de 30 jours. Le deep learning VUNO pour la rdiographie du thorax a été utilisé pour détecter des anomalies du lobe inférieur ou sous-pleurales. Les lésions correspondant à l'emplacement de l'opacité réticulaire sur TDM ont été considérés comme des vrais positifs. Six lecteurs (trois radiologues thoraciques et trois résidents) ont examiné indépendamment les radiographies pour constater la présence d'opacité réticulaire avec et sans deep learning.
Dans les échantillons de deux centres, la précision du deep learning VUNO pour la détection de l'opacité réticulaire sur la radiographie pulmonaire était de 98,5% et 100,0 %. De plus, ce processus a amélioré la sensibilité du lecteur de 66,7 % à 86,8 % dans les cas légers, de 84,2 % à 99,8 % dans les cas modérés et de 87,3 % à 100,0 % dans les cas graves. Le deep learning a également amélioré le consensus inter-lecteur.
« Compte tenu de la sensibilité du deep learning pour l'opacité réticulaire dans les maladies légères à modérées, la technique pourrait être appliquée pour le dépistage des patients suspects, une pathologie pour laquelle la radiographie thoracique n'a historiquement pas donné de bons résultats », concluent les auteurs de cet article de l'AJR.
Bruno Benque avec AJR