Deep-learning pour la différenciation des lésions surrénaliennes bénignes et malignes sur scanner

Introduction

Malgré les progrès récents de l’imagerie médicale, la distinction des lésions surrénaliennes entre lésion bénigne et maligne reste laborieuse. On peut estimer à 25 % le taux de chirurgies qui pourraient être évitées dans cette indication. L’objectif de cette étude est d’évaluer l’apport de l’intelligence artificielle, en particulier du deep-learning sur scanner préopératoire pour la distinction des lésions surrénaliennes bénignes et malignes.

Matériels et méthodes

Les scanners préopératoires injectés au temps portal de 104 lésions malignes (93 corticosurrénalomes et 11 métastases) et 376 lésions bénignes (194 adénomes, 48 hyperplasies et 134 phéochromocytomes) ont été segmentés manuellement et inclus dans un pipe-line de deep-learning avec pour objectif la distinction lésion bénigne/maligne. Deux tiers de la cohorte ont été randomisés pour servir à l’entraînement de l’algorithme et un tiers pour la validation interne. Quarante masques de segmentation ont été tirés au sort et segmentés par un second radiologue en aveugle pour évaluer leur reproductibilité par mesure du score de Dice.

Résultats

La reproductibilité des masques est presque parfaite pour la quasi-totalité des lésions avec un score de Dice moyen de 0,92 ± 0,03 (IC95 % : 0,72–0,97). L’algorithme de deep-learning pour la discrimination entre lésions bénignes et malignes est encore en cours de construction.

Discussion

Cette étude montre qu’une méthode manuelle est reproductible pour la segmentation des lésions surrénaliennes. Si l’algorithme de deep-learning développé se montre discriminant pour la distinction lésion bénigne/maligne des lésions surrénaliennes, une validation sur cohorte externe sera indispensable pour l’extrapolation des résultats.