Accueil / Recherche / Imagerie & IA

Étude clinique · Avril 2026

Détection automatisée des fractures occultes par deep learning : résultats d'une cohorte multi-centrique sur 12 847 IRM.

Dr. Camille Vidal · Radiologue, CHUV|14 min de lecture|1 247 vues

Fig. 1 — IRM coronale T2 fat-sat du genou droit, lésion méniscale subtile détectée par le modèle (encadré).

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.

CV

À propos de l’auteur

Dr. Camille Vidal

Radiologue spécialisée en imagerie ostéo-articulaire au CHUV. Co-investigatrice principale du programme MUSCAI (musculo-skeletal AI) Suisse romande.

Articles liés

Imagerie & IA

Validation prospective d'un modèle de classification des lésions méniscales

→ 8 min de lecture

Méthodes

Pipeline reproductible pour entraîner un modèle DICOM avec MONAI

→ 12 min de lecture

Études cliniques

Comparaison radiologue vs IA : protocole, résultats, limites

→ 6 min de lecture