Diagnostic assisté par apprentissage profond pour l'imagerie par résonance magnétique du genou : développement et validation rétrospective de MRNet

L'imagerie par résonance magnétique (IRM) du genou constitue la méthode de prédilection pour le diagnostic des lésions du genou. Toutefois, l'interprétation des IRM du genou est une tâche chronophage et sujette à des erreurs diagnostiques ainsi qu'à une variabilité inter-observateurs. Un système automatisé d'interprétation des IRM du genou pourrait permettre de prioriser les patients à haut risque et d'aider les cliniciens dans leur prise de décision diagnostique. Les méthodes d'apprentissage profond, capables d'apprendre automatiquement des représentations hiérarchiques de caractéristiques, sont particulièrement bien adaptées à la modélisation des relations complexes entre les images médicales et leurs interprétations. Dans cette étude, nous avons développé un modèle d'apprentissage profond destiné à détecter des anomalies générales ainsi que des diagnostics spécifiques (déchirures du ligament croisé antérieur [LCA] et déchirures du ménisque) sur des examens IRM du genou. Nous avons ensuite évalué l'impact de la fourniture des prédictions du modèle aux experts cliniques lors de l'interprétation des images.