L’intégration de l’intelligence artificielle (IA) dans la pratique de la neuroradiologie ouvre la voie à de nouvelles stratégies d’aide au diagnostic.
Cette étude exploratoire évalue la faisabilité et l’intérêt clinique de l’association d’un logiciel d’analyse volumétrique automatisée et de modèles de langage génératif (LLM) pour la production de comptes rendus structurés d’IRM cérébrale chez des patients présentant des troubles cognitifs.
Les cas inclus ont été sélectionnés afin de représenter différents profils d’atrophie cérébrale. Pour chaque patient, le rapport du neuroradiologue a été comparé aux mesures quantitatives générées par un logiciel d’analyse volumétrique automatisée basé sur l’IA, permettant la segmentation et l’évaluation des structures cérébrales.
À partir des rapports cliniques anonymisés et des données volumétriques correspondantes, trois modèles de langage (ChatGPT, Gemini, DeepSeek) ont été sollicités pour générer des rapports enrichis. Aucun modèle n’a eu accès aux images d’IRM.
Les LLM ont montré une concordance élevée avec l’analyse spécialisée dans l’identification de l’atrophie hippocampique et corticale, tout en produisant des comptes rendus plus homogènes et structurés. ChatGPT et Gemini se sont distingués par une meilleure contextualisation clinique, tandis que DeepSeek a privilégié la mise en lien entre symptômes et atteintes anatomiques.
La taille de l’échantillon est volontairement limitée: l’objectif était de démontrer la faisabilité, la cohérence inter-modèles et la valeur ajoutée clinique, plutôt que de réaliser une validation statistique.
Ces résultats suggèrent qu’une approche combinant analyse volumétrique automatisée et modèles de langage peut constituer un outil d’assistance au compte rendu, sans se substituer à l’expertise neuroradiologique.
Une étude sur une cohorte élargie est en cours.
扫码关注我们
求助内容:
应助结果提醒方式:
