Validation externe d'un modèle basé sur l'apprentissage en profondeur pour la détection des embolies pulmonaires sur les tomodensitogrammes thoraciques

L'embolie pulmonaire (EP) est une maladie potentiellement mortelle si elle n'est pas diagnostiquée et traitée rapidement. Le CTPA thoracique reste aujourd'hui la référence en matière de diagnostic, mais l'EP peut également être découverte de manière fortuite sur les tomodensitogrammes améliorés. La plupart des examens CTPA sont effectués en clinique en cas de suspicion d'EP dans des conditions urgentes, alors qu'une minorité est effectuée pour des conditions de thromboembolie pulmonaire chronique suspecte ou validée, une maladie souvent négligée sur les tomodensitogrammes mais affectée par une morbidité élevée et un mauvais pronostic si elle n'est pas traitée. . Ainsi, les méthodes pour accélérer et automatiser la reconnaissance des emboles dans les vaisseaux pulmonaires ont le potentiel de devenir un support important dans la pratique clinique, permettant un meilleur triage des cas urgents d'EP et une sensibilité accrue dans l'identification des patients atteints de thromboembolie pulmonaire chronique. Sur la base de ces besoins cliniques, un modèle basé sur l'apprentissage profond pour la détection de l'embolie pulmonaire a été développé sur les scanners CTPA. Le modèle était basé sur l'architecture 2D ResNext50 et a été formé et validé à l'aide d'un ensemble de données open source multicentrique composé de 7169 patients. De ces données rétrospectives, 85 000 tranches positives pour l'EP et 123 428 négatives pour l'EP ont été extraites pour l'entraînement. Pour la validation interne, 9 922 tranches ont été utilisées pour chaque classe. Le modèle a été initialement validé en externe au niveau du patient à l'aide d'un ensemble de données de 156 patients adultes provenant de 3 sources publiques différentes, avec tous les emboles segmentés par au moins un radiologue expérimenté. Pour mieux comprendre les prédictions du modèle, des cartes d'activation ont été extraites à l'aide de la méthode Grad-CAM. En comparant ces cartes avec les segmentations de vérité terrain (GT), il a été déterminé si les régions activées correspondaient à des régions de PE en calculant le pourcentage de GT PE qui était activé et le pourcentage de régions activées correspondant à GT PE. Le modèle de classification PE a atteint une aire sous la courbe (AUC) de 0,86 [0,800-0,919], une sensibilité de 82,68 % [75,16 - 88,27] et une spécificité de 79,31 % [61,61 - 90,15] sur le jeu de validation externe. Cependant, ces résultats ont été obtenus dans une cohorte de validation externe déséquilibrée (127 patients EP positifs contre 29 patients EP négatifs), il est donc très important d'évaluer les performances du modèle également dans une cohorte de patients plus équilibrée, représentant l'incidence clinique réelle de l'EP ( entre 12 et 22 %). Pour cette raison, la portée de la présente étude est de collecter une cohorte de validation externe représentative de la réalité clinique réelle, comprenant à la fois CTPA et scanners améliorés, avec un pourcentage plus équilibré de cas d'EP positifs et négatifs. De plus, les performances du modèle seront comparées entre les scanners CT et CTPA améliorés.