Évaluation des performances d’un algorithme d’intelligence artificielle (IA) dans la détection de pathologies thoraciques sur des radiographies thoraciques
Objectif
La radiographie thoracique est un examen radiologique relativement peu coûteux et le plus fréquemment réalisé dans le monde. Les radiographies thoraciques jouent un rôle important dans le dépistage et le diagnostic des pathologies cardiothoraciques et pulmonaires [1]. Reconnaître avec précision les anomalies sur les radiographies thoraciques (CXR) représente un défi notable, principalement dû à la pénurie de radiologues bien formés et à la charge de travail importante dans les grands établissements de santé [2]. De plus, la demande croissante de CXR dans les services d’urgence peut directement augmenter le taux d’erreur [3]. Ainsi, l’analyse et le compte rendu des radiographies thoraciques restent un exercice difficile et subjectif.
Méthodes
Cette étude a été menée et rapportée conformément aux lignes directrices TRIPOD (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis) [22]. La liste de contrôle TRIPOD pour le développement et la validation du modèle de prédiction est présentée à l’Annexe A, Tableau A1.
Résultats
L’étude de validation clinique a été réalisée sur 900 images de radiographies thoraciques (CXR). Au total, 640 CXR ne présentaient aucune anomalie et 260 CXR présentaient une anomalie (consolidation = 77, épanchement pleural = 60, pneumothorax = 32, cardiomégalie = 16, OAP = 37, et nodule pulmonaire = 43). Les résultats de performance des lecteurs avec et sans l’aide de Rayvolve sont présentés dans le Tableau 1. La valeur moyenne de l’AUC parmi les lecteurs a significativement augmenté de 15,94 % avec la lecture assistée par Rayvolve par rapport à la lecture non assistée (0,88 ± 0,01 contre 0,759 ± 0,07, p < 0,001). Le temps nécessaire pour lire les radiographies thoraciques a diminué de manière significative, de 35,81 %, avec l’utilisation de Rayvolve (14,7 ± 1,3 contre 22,9 ± 2,3, p < 0,001). De plus, les valeurs moyennes de sensibilité et de spécificité parmi les lecteurs ont augmenté de manière significative, de 11,44 % et 2,95 % respectivement, avec la lecture assistée par Rayvolve par rapport à la lecture non assistée (0,857 ± 0,02 contre 0,769 ± 0,02, p < 0,001 et 0,974 ± 0,01 contre 0,946 ± 0,01, p < 0,001, respectivement) (voir Figure 3).
Conclusion
Les résultats de cette étude peuvent favoriser l’adoption et l’intégration de l’outil d’IA dans un contexte clinique réel. Cela permettra d’automatiser et de simplifier le flux de travail au sein du service de radiologie, réduisant ainsi le temps et la charge de travail des radiologues. En conclusion, un outil d’IA, utilisé en lecture concomitante, peut significativement améliorer les performances des radiologues ou des praticiens urgentistes dans la détection de la consolidation, de l’épanchement pleural, du pneumothorax, de l’OAP, de la cardiomégalie et des nodules pulmonaires, tout en réduisant le temps nécessaire à l’analyse des radiographies thoraciques.
