Comment un algorithme d’apprentissage profond peut-il améliorer la détection des fractures sur les radiographies aux urgences ?
Objectif
L’un des principaux motifs de consultation aux urgences est le traumatisme périphérique. Le premier examen radiologique en cas de suspicion de fracture reste la radiographie conventionnelle. Les fractures peuvent être difficiles à diagnostiquer pour les médecins juniors dans des situations de forte affluence de patients [1,2]. Une erreur de diagnostic des fractures affecte directement la prise en charge du patient, et des complications graves, telles qu’un cal vicieux ou une arthrite, peuvent survenir si les fractures sont diagnostiquées tardivement ou restent non diagnostiquées. L’erreur de diagnostic des fractures est également l’une des causes les plus fréquentes de litiges dans le domaine médical.
Méthodes
L’algorithme est un algorithme d’ensemble composé de plusieurs modèles de détection d’objets. Chaque modèle de détection d’objets est basé sur la technologie des réseaux neuronaux convolutifs artificiels (ACNN) et, plus précisément, dérive de l’architecture de RetinaNet [14], un algorithme d’apprentissage profond open source. Il comporte trois composants. Le premier est un backbone personnalisé (basé sur le réseau neuronal VGG [15], mais avec moins de filtres et une normalisation par lots effectuée avant chaque convolution) qui agit comme extracteur de caractéristiques. Ce backbone est composé de couches convolutives, de couches de max-pooling et de couches de normalisation par lots entraînables. Le deuxième composant est un réseau de pyramide de caractéristiques (FPN) conçu pour extraire les caractéristiques à différentes résolutions, compte tenu de la grande variabilité de la taille des fractures. Le composant final est constitué de deux sous-réseaux : un sous-réseau de classification pour prédire la présence ou l’absence d’une fracture, et un sous-réseau de régression pour localiser plus précisément le site de la fracture. Le sous-réseau de classification prédit la probabilité qu’un objet soit présent, pour n’importe quelle classe (deux classes dans notre cas), à chaque position spatiale, pour chaque ancre. Le sous-réseau de classification est appliqué à chaque niveau de la pyramide, mais les paramètres de ce sous-réseau sont partagés entre tous les niveaux de la pyramide. Le sous-réseau de classification est un réseau entièrement convolutif. Le sous-réseau de régression prédit le décalage entre chaque ancre et un objet de référence proche (si un tel objet existe). Nous avons également appliqué ce sous-réseau de régression à chaque niveau de la pyramide (avec des poids partagés). Ce sous-réseau est également un réseau entièrement convolutif. Il est similaire au sous-réseau de classification, à ceci près qu’au lieu de prédire deux valeurs (c’est-à-dire le nombre de classes), il comporte quatre valeurs par ancre (Figure 1).
Résultats
Au total, les médecins urgentistes ont inclus 125 patients dans cette étude. Les traumatismes considérés concernaient la hanche chez seize patients, la main chez vingt-huit, l’épaule chez vingt-huit, le pied chez vingt-et-un, le genou chez sept, le poignet chez vingt-et-un, et le coude chez quatre.
Conclusion
Cette première étude portant sur une population se présentant aux urgences pour un traumatisme périphérique montre qu’un algorithme d’apprentissage profond peut être utilisé avec un haut niveau de précision, notamment une valeur prédictive négative élevée. Un algorithme d’apprentissage profond, sans entraînement spécifique, pourrait être utilisé dans un nouveau centre sans nécessiter de données propres à ce site, pour le diagnostic des fractures chez une population de patients consultant pour des traumatismes de n’importe quelle articulation périphérique.
