L’intelligence artificielle peut-elle aider à la décision en arthroscopie ? Partie 2 : le modèle IA-RTHRO. Aide à la décision diagnostique pour le statut du tendon du long biceps dans les petites ruptures de la coiffe des rotateurs

Les applications possibles de l’intelligence artificielle (IA) en chirurgie orthopédique sont prometteuses. Le deep learning est utilisable en chirurgie arthroscopique grâce au signal vidéo exploitable par computer vision. La gestion peropératoire du tendon du long biceps (TLB) est l’objet d’une controverse ancienne. L’objectif principal de cette étude était de modéliser une IA diagnostique capable de statuer sur le caractère sain ou pathologique du TLB sur des images arthroscopiques. L’objectif secondaire était de créer un deuxième modèle IA diagnostique en fonction d’images arthroscopiques et des données médicales de chaque patient, cliniques et imagerie, pour statuer sur le caractère sain ou pathologique du TLB. L’hypothèse de l’étude était qu’il était possible de construire un modèle IA à partir d’images opératoires d’arthroscopie d’aide au diagnostic du caractère sain ou pathologique du TLB qui ferait mieux qu’une analyse humaine. Les données prospectives cliniques et d’imagerie de 199 patients ont été collectées et associées aux images issues d’une analyse vidéo arthroscopique protocolisée validée, dite « vérité terrain », faite par le chirurgien opérateur. Un modèle basé sur un réseau neuronal convolutif (RNC) modélisé via un transfer learning sur le modèle Inception V3 a été construit pour l’analyse des images arthroscopiques. Ce modèle a ensuite été couplé à un perceptron multicouche (MultiLayer Perceptron, MLP) intégrant les données cliniques et imageries. Chaque modèle a été entraîné et testé selon apprentissage supervisé. La précision du RNC sur le diagnostic du statut sain ou pathologique du TLB était de 93,7 % en apprentissage et 80,66 % en généralisation. Couplé aux données cliniques de chaque patient, la précision du modèle assemblant le RNC et un MLP étaient respectivement de 77 % et 58 % en apprentissage et en généralisation. Le modèle IA construit à partir d’un RNC parvient à déterminer le caractère sain ou pathologique du TLB avec un taux de précision de 80,66 %. Une augmentation des données d’entrée pour limiter l’overfitting, et l’automatisation de la phase de détection par un Mask-R-CNN sont des voies d’amélioration du modèle. Cette étude est la première à évaluer la capacité d’une IA à analyser des images arthroscopiques. Ses résultats doivent être confirmés par d’autres études sur le sujet. III ; étude diagnostique.