Résumé - Validation multicentrique d'un modèle de learning profond pour l'évaluation de la scoliose

Validation multicentrique d'un modèle de learning profond pour l'évaluation de la scoliose

2025-07-18 17:21:53

{"Šimon Kubov","Simon Klíčník","Jakub Dandár","Zdeněk Straka","Karolína Kvaková","Daniel Kvak"}

{cs.CV,cs.AI,cs.LG}

Cette étude de recherche examine l'efficacité d'un modèle de apprentissage profond pour évaluer la scoliose, une condition caractérisée par une courbure anormale de la colonne vertébrale. L'étude visait à déterminer si le modèle d'IA pouvait produire des mesures de l'angle de Cobb et des classifications de gravité qui correspondent à celles des radiologues experts. La recherche comportait une étude de validation multicentrique utilisant 103 radiographies antéro-postérieures de la colonne vertébrale entière en position debout collectées dans dix hôpitaux. Deux radiologues musculo-squelettiques ont mesuré indépendamment chaque étude, agissant en tant que lecteurs de référence. Le modèle d'IA a ensuite été comparé à ces mesures en utilisant divers indicateurs, y compris l'analyse de Bland-Altman, l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), le coefficient de corrélation de Pearson et le κ de Cohen pour la classification de gravité en quatre niveaux. Le modèle d'IA a atteint une MAE de 3,89° (RMSE de 4,77°) par rapport au Radiologue 1 et une MAE de 3,90° (RMSE de 5,68°) par rapport au Radiologue 2. Les coefficients de corrélation de Pearson étaient de r = 0,906 et r = 0,880 (coefficient inter-lecteurs r = 0,928), tandis que le κ de Cohen pour la classification de gravité atteignait 0,51 et 0,64 (κ inter-lecteurs = 0,59). Ces résultats indiquent que le logiciel proposé peut produire des mesures de l'angle de Cobb et des classifications de gravité comparables à celles des radiologues experts dans plusieurs centres. L'étude conclut que le logiciel d'IA a le potentiel de rationaliser les rapports et le tri des cas de scoliose dans les flux de travail cliniques, améliorant ainsi l'efficacité et la cohérence. Cependant, des recherches supplémentaires sont nécessaires pour évaluer l'impact de l'intégration de l'IA sur la prise de décision clinique et l'efficacité des flux de travail.