Améliorer la détection des fractures pédiatriques : évaluation multicentrique d’un modèle d’IA par apprentissage profond et son impact sur la performance des radiologues
Objectif
Cette étude examine l’efficacité d’un modèle d’intelligence artificielle (IA) par apprentissage profond dans la détection des fractures pédiatriques sur des radiographies ostéo-articulaires (MSK), et évalue l’impact de l’assistance par IA sur la performance des radiologues.
Méthodes
Lors de la Phase 1, la performance du modèle d’IA a été évaluée sur 3016 radiographies ostéo-articulaires pédiatriques provenant de 4 centres d’imagerie aux États-Unis. La référence a été établie par consensus de radiologues pédiatriques. La Phase 2 était une étude rétrospective multi-lecteurs, multicentrique (MRMC) portant sur 189 cas. Vingt lecteurs ont participé à deux sessions de lecture distinctes évaluant la présence de fractures, avec et sans assistance de l’IA, séparées par une période de sevrage d’un mois.
Résultats
Le modèle d’IA a obtenu une performance autonome élevée avec une précision de 0,94, une sensibilité de 0,96 et une spécificité de 0,86. L’analyse en sous-groupes a révélé que le modèle maintenait une performance élevée selon les types d’étude et les facteurs de confusion, notamment l’âge (Se>0,94), le sexe (Se>0,96), la région anatomique (Se>0,93) et les types de fractures (Se>0,93). Avec l’assistance de l’IA, la précision des lecteurs a augmenté significativement de 0,93 à 0,96 (p < 0,05), la sensibilité s’est significativement améliorée de 0,86 à 0,93 (p < 0,05), et la spécificité s’est améliorée de 0,94 à 0,95. Le temps de lecture moyen par examen a été réduit de 26,1 % grâce à l’assistance de l’IA.
Conclusion
La grande précision du modèle d’IA dans la détection des fractures pédiatriques souligne son utilité clinique significative. L’intégration de cet outil a amélioré la performance globale des radiologues et renforcé la confiance diagnostique des lecteurs non spécialistes.
