| Apport d’un logiciel d’intelligence artificielle pour la lecture des radiographies thoraciques dans le dépistage de la tuberculose (Performances of an AI algorithm for chest x ray reading in tuberculosis screening) Morcet--Delattre, Thibaud - (2021-10-15) / Universite de Rennes 1 - Apport d’un logiciel d’intelligence artificielle pour la lecture des radiographies thoraciques dans le dépistage de la tuberculose
| |||
Langue : Français Directeur(s) de thèse: Lederlin, Mathieu Discipline : Radiologie et imagerie médicale. Informatique Classification : Médecine et santé Mots-clés : Intelligence artificielle, Tuberculose, Radiographie thoracique, Apprentissage profond
| |||
Résumé : L’intelligence artificielle est un sujet d’intérêt en médecine et particulièrement en imagerie médicale, ou de larges bases de données sont disponibles. Toutefois, l’utilisation des algorithmes de deep learning d’analyse des images en vie réelle peut s’avérer moins perforante que sur les données d’entraînement. L’objectif de cette étude a été d’analyser l’intérêt diagnostique, en conditions de pratique clinique, de l’utilisation d’une solution d’intelligence artificielle dans le cadre du dépistage de la tuberculose à Rennes, sujet d’intérêt compte tenu du volume de radiographies réalisées. 13 radiologues et internes ont testé la précision diagnostique de l’algorithme pour l’interprétation des radiographies thoraciques et ont été chronométrés. L’étude a montré un gain significatif, du fait de l’algorithme, de sensibilité sans perte de spécificité et un gain significatif de valeur prédictive négative. Le temps d’interprétation n’a pas été significativement allongé. Ces performances synergiques ont été supérieures à celles de l’IA seule ou de l’humain seul. Cette étude montre donc la complémentarité des solutions d’intelligence artificielle et des radiologues pour la lecture des radiographies thoracique dans cette situation. Abstract : Background: Pulmonary tuberculosis (PTB) remains a worldwide diagnostic challenge while there is a shortage of radiologists and an increasing workload in radiology departments Purpose: To assess the performance of radiologists aided by artificial intelligence (AI) algorithm in PTB screening Methods: A dataset of 297 chest X-rays (CXR) performed for PTB screening was extracted from our local Picture Archiving and Communication System. Ten radiologists read the dataset twice, first without AI assistance and then with AI assistance, with a one-month washout between the two sessions. Three other radiologists formed the control group and did not use AI during the second reading. Diagnostic performance of AI-unaided and AI-aided readers was compared. Results: The use of AI algorithm significantly improved readers sensitivity from 65.5% to 74.1% (P=0.021) without loss of specificity (92.2% vs 93.7%, respectively; P=0.370). The positive predictive value was 43.8% without AI and 52.3% with AI aid (P=0.170), while NPV increased from 96.6% to 97.5% (P=0.015). The mean reading time per radiograph was not significantly modified between unaided and aided readers (23.2 sec vs 24.1 sec, respectively; P=0.640). It was estimated that AI could allow to detect one additional true PTB at the cost of 5 additional false-positives due to AI. Conclusion: This study supports the use of AI algorithm to assist radiologists in PTB screening. | |||