Identification des AVC ischémiques aigus invisibles précoces dans la tomodensimétrie sans contraste à l'aide d'un modèle d'apprentissage profond en deux étapes

Raisonnement : Bien que la tomodensitométrie sans contraste (NCCT) soit l'examen recommandé pour les AVC ischémiques aigus (AIS) suspects, elle ne peut pas détecter les changements significatifs dans l'infarctus précoce. Nous avons cherché à développer un modèle d'apprentissage profond pour identifier les AIS invisibles précoces dans la NCCT et évaluer sa performance diagnostique et sa capacité à aider les radiologues dans la prise de décision. Méthodes : Dans cette étude rétrospective multicentrique et inter-manufacturiers, 1136 patients avec AIS suspect mais lésions invisibles dans la NCCT ont été collectés auprès de deux institutions géographiquement éloignées entre mai 2012 et mai 2021. Les lésions AIS ont été confirmées sur la base de l'imagerie par diffusion et du diagnostic clinique de suivi. Le modèle d'apprentissage profond se composait de deux réseaux neuronaux convolutionnels profonds pour localiser et classer. La performance du modèle et des radiologues a été évaluée par la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC), la sensibilité, la spécificité et les valeurs d'exactitude avec des intervalles de confiance à 95 %. Le test de Delong a été utilisé pour comparer les valeurs AUC, et un test du chi-carré a été utilisé pour évaluer les différences de taux. Résultats : 986 patients (728 AIS, âge médian 55 ans, plage interquartile IQR : 47-65 ans ; 664 hommes) ont été assignés aux cohortes d'entraînement et de validation interne. 150 patients (74 AIS, âge médian 63 ans, IQR : 53-75 ans ; 100 hommes) ont été inclus comme cohorte de validation externe. Les AUC du modèle étaient de 83,61 % (sensibilité, 68,99 % ; spécificité, 98,22 % ; et exactitude, 89,87 %) et 76,32 % (sensibilité, 62,99 % ; spécificité, 89,65 % ; et exactitude, 88,61 %) pour les cohortes de validation interne et externe basées sur les coupes. L'AUC du modèle était bien supérieure à celle de deux radiologues expérimentés (65,52 % et 59,48 % dans la cohorte de validation interne ; 64,01 % et 64,39 % dans la cohorte de validation externe ; tous P < 0,001). L'exactitude de deux radiologues est passée de 62,00 % et 58,67 % à 92,00 % et 84,67 % lorsqu'ils ont été assistés par le modèle pour les patients de la cohorte de validation externe. Conclusions : Ce modèle d'apprentissage profond représente une avancée majeure pour résoudre le défi que les lésions AIS invisibles précoces ne peuvent pas être détectées par la NCCT. Le modèle que nous avons développé dans cette étude peut dépister les AIS précoces et economiser plus de temps. Les radiologues assistés par le modèle peuvent fournir des conseils plus efficaces pour élaborer le plan de traitement des patients en clinique.