Validation externe d’un algorithme d’apprentissage profond disponible dans le commerce pour la détection des fractures chez les enfants
Objectif
Le but de cette étude était d’effectuer une validation externe d’un algorithme d’apprentissage en profondeur pour l’évaluation des fractures (Rayvolve®) à l’aide de radiographies numériques d’une cohorte réelle d’enfants se présentant régulièrement aux urgences.
Méthodes
Cette étude rétrospective a été menée sur 2 634 appareils de radiographie (5 865 images) provenant de 2 549 enfants (1 459 garçons, 1 090 filles ; âge moyen, 8,5 ± 4,5 [SD] ans ; tranche d’âge : 0 à 17 ans) référés par le service d’urgence pédiatrique pour traumatisme. Pour chaque série, on a enregistré si une ou plusieurs fractures avaient été détectées, le nombre de fractures et leur localisation trouvée par les radiologues expérimentés et l’algorithme. En utilisant le diagnostic du radiologue senior comme norme de référence, les performances diagnostiques de l’algorithme d’apprentissage profond (Rayvolve®) ont été calculées selon trois approches différentes : une approche de détection (présence/absence de fracture en tant que variable binaire), une approche de dénombrement (nombre exact de fractures détectées) et une approche de localisation (en se concentrant sur la localisation correcte des fractures détectées). Les analyses de sous-groupes ont été réalisées en fonction de la présence ou non d’un plâtre, de la catégorie d’âge (0 à 4 ans contre 5 à 18 ans) et de la région anatomique.
Résultats
En ce qui concerne l’approche de détection, l’algorithme d’apprentissage profond a donné une sensibilité de 95,7 % (IC à 95 % : 94,0 à 96,9), une spécificité de 91,2 % (IC à 95 % : 89,8 à 92,5) et une précision de 92,6 % (IC à 95 % : 91,5 à 93,6). En ce qui concerne les approches de dénombrement et de localisation, l’algorithme d’apprentissage profond a donné une sensibilité de 94,1 % (IC à 95 % : 92,1 à 95,6), une spécificité de 88,8 % (IC à 95 % : 87,3 à 90,2) et une précision de 90,4 % (IC à 95 % : 89,2 à 91,5) pour les deux approches. En ce qui concerne les analyses de sous-groupes liées à l’âge, l’algorithme d’apprentissage profond a donné une plus grande sensibilité et une valeur prédictive négative dans le groupe d’âge de 5 à 18 ans que dans le groupe d’âge de 0 à 4 ans pour l’approche de détection (P < 0,001 et P = 0,002) et pour les approches de dénombrement et de localisation (P = 0,012 et P = 0,028). La valeur prédictive négative élevée était robuste et persistait dans toutes les analyses de sous-groupes, à l’exception des patients présentant des plâtres (P = 0,001 pour l’approche de détection et P < 0,001 pour les approches de dénombrement et de localisation).
Conclusion
L’algorithme d’apprentissage profond Rayvolve® est très fiable pour détecter les fractures chez les enfants, en particulier chez les enfants âgés de plus de 4 ans et sans plâtre.
