Dans le domaine du diagnostic d'imagerie médicale, la détection des anévrismes cérébraux représente un défi constant. Cependant, un modèle basé sur l'apprentissage profond a récemment été développé avec succès, offrant aux radiologues un outil d'assistance puissant. Cette technologie permet non seulement d'améliorer le taux de détection des anévrismes cérébraux, mais aussi de réduire considérablement le temps de lecture des images et de post-traitement. Les chercheurs affirment que cet outil a un potentiel énorme pour améliorer le flux de travail clinique et le diagnostic des anévrismes cérébraux.
Un diagnostic rapide et précis des anévrismes cérébraux est crucial pour mettre en place une stratégie de gestion appropriée, optimiser les résultats pour les patients et atténuer l'impact de cette pathologie sur les individus et le système de santé. Le développement d'outils de diagnostic efficaces est donc primordial.
Source : Image générée par IA, fournisseur de services d'autorisation d'images : Midjourney
Sous la direction du Dr Jianing Wang, du service de radiologie de l'hôpital affilié à l'Université Hebei en Chine, les chercheurs ont entraîné le modèle sur les données de près de 4 000 patients et l'ont testé sur 484 patients supplémentaires. Au cours de l'analyse, l'équipe de recherche a demandé à 10 radiologues d'interpréter chaque cas avec et sans l'aide du modèle. Une évaluation supplémentaire a été menée pour examiner les performances du modèle seul.
Lorsque les radiologues utilisaient cet outil, le temps de lecture et de post-traitement a été réduit respectivement de 37,2 % et de 90,8 %. Pour les radiologues débutants, l'assistance du modèle a augmenté l'AUC (Area Under the Curve) de 0,842 à 0,881 ; pour les radiologues expérimentés, de 0,853 à 0,895. La sensibilité au niveau des lésions et des patients a également été améliorée grâce à l'assistance de l'apprentissage profond, et la spécificité au niveau des patients a été améliorée.
Compte tenu de la complexité des vaisseaux intracrâniens, la détection des anévrismes basée sur la CTA (angiographie par tomodensitométrie) est une tâche longue et difficile. De plus, l'augmentation de la demande d'examens CTA peut entraîner une fatigue des radiologues, ce qui, combiné à la subjectivité de l'interprétation des images, affecte souvent la précision du diagnostic.
L'équipe de recherche ajoute que son outil fournit des preuves à l'appui de l'adaptabilité des modèles basés sur l'apprentissage profond à différents examens, car leur modèle s'est avéré précis sur un large éventail d'examens. Cela résout le problème de généralisation souvent rencontré avec les outils d'apprentissage profond. Des modèles similaires pourraient être particulièrement bénéfiques pour les lecteurs moins expérimentés dans des contextes où un diagnostic rapide est essentiel.
