Objectifs : Développer un algorithme d'apprentissage profond pour détecter et segmenter les lésions à risque de cancer sur des IRM biparamétriques de prostate provenant de différents fabricants et avec différents champs magnétiques et évaluer l'impact de la variabilité des annotateurs sur la performance de l'algorithme. Méthodes : Une cohorte consécutive (n=1802) a été sélectionnée dans une base de données prospective de patients ayant réalisé une IRM de prostate pour une suspicion clinique ou biologique de cancer de la prostate, un bilan d'extension ou une surveillance active du cancer. Les IRM ont été divisées de manière aléatoire en base de données d'entraînement (n=1628) et de test (n=174). L’interprétation PI-RADS v2.1 a été effectuée par des radiologues expérimentés. L'algorithme a été conçu et entraîné sur la base de données d'entraînement pour détecter les lésions à risque de cancer à partir des IRM biparamétriques. Pour incorporer des connaissances anatomiques préalables dans le modèle de détection, un premier modèle de segmentation zonale sur les séquences T2W a été créé. La performance de l'algorithme a été évaluée sur la base de données de test en utilisant les courbes ROC (receiver operating characteristics) et FROC (free-response ROC). Nous avons également évalué la congruence spatiale des lésions entre l'algorithme et les annotateurs. Enfin, la variabilité inter-opérateur a été analysée à la fois dans l'évaluation PI-RADS globale et dans la localisation et la segmentation des lésions. Résultats : Nous avons obtenu pour l’algorithme de détection une AUC de 0,87 (IC 95 % : 0,79-0,91) pour les lésions PI-RADS ≥ 4, une AUC de 0,87 (IC 95 % : 0,79-0,90) pour les lésions PI-RADS ≥ 3 et une AUC de 0,88 (IC 95 % : 0,83-0,92) pour les lésions uniquement consensuelles PI-RADS ≥ 4. L'analyse de la congruence spatiale était assez similaire à la variabilité inter-annotateur avec une erreur absolue de la mesure axiale maximale entre notre algorithme et deux lecteurs de respectivement 2,8mm et 3,7mm contre 2,1mm pour la variabilité inter-annotateur. Conclusions : Notre algorithme d'apprentissage profond obtient des performances similaires à celles de la littérature, même si les données proviennent d’examens à champs magnétiques différents et de fabricants différents.