Les fractures occultes — invisibles sur radiographie standard mais détectables sur IRM — restent un défi diagnostique. Cette étude évalue la performance d’un modèle de deep learning entraîné sur 12 847 IRM de l’appareil locomoteur.
Contexte
Les fractures occultes représentent jusqu’à 30% des fractures non diagnostiquées en première lecture. Leur détection précoce conditionne la décision chirurgicale et le pronostic fonctionnel à long terme.
Notre hypothèse : un modèle de segmentation 3D entraîné sur des séquences T2 fat-sat peut atteindre une sensibilité supérieure à la lecture humaine sur ces lésions difficiles.
« Le modèle a identifié 18% de lésions supplémentaires manquées en lecture standard, sans surdiagnostic significatif. »
— Résultats principaux, Section 3.2
Méthode
Cohorte rétrospective multi-centrique (CHUV, AP-HP, UZ Leuven) sur 24 mois, 12 847 examens IRM 3T anonymisés. Architecture nnU-Net 3D, augmentation MONAI standard, validation croisée 5-fold.
Évaluation : sensibilité, spécificité, AUC, comparaison à la lecture par 3 radiologues seniors en aveugle.
Résultats
Sensibilité 96.4% (IC 95% : 95.1–97.5), spécificité 91.8%, AUC 0.978. Le modèle surpasse significativement la lecture humaine sur les fractures sub-corticales du plateau tibial (p<0.001).
Discussion
Ces résultats doivent être interprétés avec prudence : la cohorte sur-représente les genoux par rapport au reste de l’appareil locomoteur. Une étude prospective élargie est en cours.