Performances diagnostiques de deux logiciels de détection des nodules pulmonaires en contexte de pneumopathie interstitielle difuse fibrosante : thèse présentée pour le diplpome d'Etat de docteur en médecine : diplôme d'Etat mention radiologie et imagerie médicale
Langue Français
Langue Français
Auteur(s) : Bauer, Clément
Directeur : Ohana, Mickaël
Composante : MEDECINE
Date de création : 30-06-2024
Description : Médecine (radiologie et imagerie médicale), Objectifs : Déterminer les performances diagnostiques de deux logiciels d’intelligence artificielle dans la détection de nodules pulmonaires sur des scanners thoraciques de patients atteint de pneumopathie interstitielle diffuse au stade de fibrose.Matériel et méthodes : Étude rétrospective unicentrique sur des scanners thoraciques de patients ayant une fibrose pulmonaire avec au moins un nodule. Les nodules calcifiés et < 5 mm étaient exclus. Deux logiciels d’intelligence artificielle ont été utiisés, l’un utilisant des algorithmes d’apprentissage profond (InferRead CT Lung) et l’autre les anciens modèles de CAD (computer aided diagnosis) (LungVCAR). Pour ce second modèle, les nodules > 12 mm ont été exclus. Résultats : 101 et 66 nodules chez respec'vement 59 et 42 patients sur ont été inclus dans l’analyse deslogiciels d’IA u'lisant respectivement des algorithmes d’apprentissage profond et les anciens modèles de CAD. La performance diagnostique globale est respectivement de 79,4 % et 78,7 %. Sur population similaire (après exclusion des nodules > 12 mm dans les deux cas), la performance d’InferRead CT Lung se majore à 83,3 %. Dans les deux cas, elle tend à diminuer si les contours des nodules sont irréguliers (à 55,3%, p < 0,0001 et à 41,7%, p = 0,03) et s’ils se situent dans l’atteinte interstitielle fibrosante (à 70,0%, p = 0,04 et à 61,5 %, p = 0,03). Pas de différence en fonction de la taille (p = 0,37 et p = 0,11), de la densité (p = 0,59 et p = 0,46), de la localisation lobaire (p = 0,73 et p = 0,27) ou sous-pleurale (p = 0,57 et p = 0,06) des nodules. Le nombre de faux-positifs est de 2,21 (SD 1,35) pour Lung VCAR soit une VPP de 0,42, et de 5,02 (SD 1,79) pour InferRead CT Lung soit une VPP de 0,23. Conclusion : En contexte de PID fibrosante, les performances diagnostiques globales des logiciels d’IA sont plus faibles que sur un poumon non fibreux. Sur population identique, les performances diagnostiques du logiciel utilisant des algorithmes d’apprentissage profond sont plus élevées (à 83,3 %) pour la détection des nodules pulmonaires que les anciens modèles de CAD (Computer Aided Diagnosis) (à 78,7 %). Dans les deux cas, elle diminue significativement quand les nodules siègent dans la fibrose et/ou sont de contours irréguliers., Thèses et écrits académiques
Mots-clés libres : Nodules pulmonaires, Tomodensitomètre Thorax, Pneumopathies interstitielles, Intelligence artificielle, 616.075
Couverture : FR
Directeur : Ohana, Mickaël
Composante : MEDECINE
Date de création : 30-06-2024
Description : Médecine (radiologie et imagerie médicale), Objectifs : Déterminer les performances diagnostiques de deux logiciels d’intelligence artificielle dans la détection de nodules pulmonaires sur des scanners thoraciques de patients atteint de pneumopathie interstitielle diffuse au stade de fibrose.Matériel et méthodes : Étude rétrospective unicentrique sur des scanners thoraciques de patients ayant une fibrose pulmonaire avec au moins un nodule. Les nodules calcifiés et < 5 mm étaient exclus. Deux logiciels d’intelligence artificielle ont été utiisés, l’un utilisant des algorithmes d’apprentissage profond (InferRead CT Lung) et l’autre les anciens modèles de CAD (computer aided diagnosis) (LungVCAR). Pour ce second modèle, les nodules > 12 mm ont été exclus. Résultats : 101 et 66 nodules chez respec'vement 59 et 42 patients sur ont été inclus dans l’analyse deslogiciels d’IA u'lisant respectivement des algorithmes d’apprentissage profond et les anciens modèles de CAD. La performance diagnostique globale est respectivement de 79,4 % et 78,7 %. Sur population similaire (après exclusion des nodules > 12 mm dans les deux cas), la performance d’InferRead CT Lung se majore à 83,3 %. Dans les deux cas, elle tend à diminuer si les contours des nodules sont irréguliers (à 55,3%, p < 0,0001 et à 41,7%, p = 0,03) et s’ils se situent dans l’atteinte interstitielle fibrosante (à 70,0%, p = 0,04 et à 61,5 %, p = 0,03). Pas de différence en fonction de la taille (p = 0,37 et p = 0,11), de la densité (p = 0,59 et p = 0,46), de la localisation lobaire (p = 0,73 et p = 0,27) ou sous-pleurale (p = 0,57 et p = 0,06) des nodules. Le nombre de faux-positifs est de 2,21 (SD 1,35) pour Lung VCAR soit une VPP de 0,42, et de 5,02 (SD 1,79) pour InferRead CT Lung soit une VPP de 0,23. Conclusion : En contexte de PID fibrosante, les performances diagnostiques globales des logiciels d’IA sont plus faibles que sur un poumon non fibreux. Sur population identique, les performances diagnostiques du logiciel utilisant des algorithmes d’apprentissage profond sont plus élevées (à 83,3 %) pour la détection des nodules pulmonaires que les anciens modèles de CAD (Computer Aided Diagnosis) (à 78,7 %). Dans les deux cas, elle diminue significativement quand les nodules siègent dans la fibrose et/ou sont de contours irréguliers., Thèses et écrits académiques
Mots-clés libres : Nodules pulmonaires, Tomodensitomètre Thorax, Pneumopathies interstitielles, Intelligence artificielle, 616.075
Couverture : FR
Type : Thèse d'exercice
Format : PDF
Source(s) :
Format : PDF
Source(s) :
- http://www.sudoc.fr/278461891
Entrepôt d'origine :
Identifiant : ecrin-ori-364815
Type de ressource : Ressource documentaire
![Ressource locale](https://ecrin.app.unistra.fr/search/media/repositories/workflow.png)
Identifiant : ecrin-ori-364815
Type de ressource : Ressource documentaire