| Version imprimable |
| Impact d’un logiciel d’aide à la détection des lésions suspectes de cancer de prostate en IRM sur les performances d’un radiologue junior (Impact of an artificial intelligence software on the diagnostic performance of a junior reader for the detection of clinically significant prostate cancer on MRI) | ||
Meinsohn, Ludwig - (2023-10-19) / Universite de Rennes - Impact d’un logiciel d’aide à la détection des lésions suspectes de cancer de prostate en IRM sur les performances d’un radiologue junior Langue : Anglais Directeur de thèse: Beuzit, Luc Thématique : Médecine et santé | ||
Mots-clés : Prostate, cancer de la prostate, IRM, système d’intelligence artificielle, Prostate -- Cancer, Imagerie par résonance magnétique, Intelligence artificielle en médecine Résumé : Objectif : Évaluer l’impact d’un logiciel d’intelligence artificielle (IA) sur les performances diagnostiques d’un interne de radiologie pour la détection en IRM de lésions de cancer de prostate cliniquement significatives. Matériel et méthode : 204 cas d’IRM multiparamétrique ont été utilisés, issus d’un ensemble de données publiques (PROSTATEx Challenge), pour lesquels chaque lésion ≥ PI-RADS 3 avait une histologie connue ou était considérée comme non cliniquement significative (PI-RADS 2). Un interne en radiologie a lu chaque cas deux fois (premièrement sans l’aide de l’IA et 4 semaines plus tard avec l’aide de l’IA). Un radiologue expérimenté a lu chaque cas une fois, sans l’aide de l’IA. La lecture des cas consistait à détecter, segmenter (uniquement pour le radiologue junior) et classer les lésions selon le “Prostate Imaging Reporting and Data System” (PI-RADS) v2.1. Les performances des lecteurs et du logiciel d’IA ont été évaluées à l’aide des mesures de sensibilité/spécificité/exactitude au seuil PI-RADS 3. Les performances autonomes du logiciel d’IA ont été analysées à l’aide de l’AUC ROC. La variabilité inter-observateur a été rapportée en utilisant le κ de Cohen sur les scores PI-RADS. Le temps de lecture par l’interne pour tous les cas a également été évalué et comparé sans et avec l'IA. Résultats : L’exactitude du radiologue junior dans la détection des cas cliniquement significatifs (PI-RADS ≥3) était améliorée par l’aide de l’IA, passant de 0,63 à 0,75 (sans/avec IA), p= 3,8 x 10-5. Les mesures de sensibilité (Se) et spécificité (Sp) étaient également améliorées, passant respectivement de 0,84 à 0,91 (Se, sans/avec IA) et de 0,53 à 0,67 (Sp, sans/avec IA). La concordance entre lecteurs (en termes de Cohen κ) entre l’interne et le radiologue expérimenté est passée de 0,44 à 0,54. Le temps d'annotation par l’interne a été réduit de 16 %. Conclusion : L'assistance de l'IA a entraîné une augmentation significative des performances diagnostiques pour le radiologue junior, en termes de sensibilité, spécificité et exactitude, pour la détection des lésions cliniquement suspectes de cancer de prostate, et a réduit la variabilité inter-individuelle entre les lecteurs. Résumé (anglais) : Purpose: To evaluate the impact of an artificial intelligence (AI) software on the diagnostic performance of a junior reader (resident) in detecting clinically significant prostate cancer (csPCa) on MRI. Materials and methods: 204 mpMRI cases were used from a publicly available dataset (PROSTATEx Challenge), for which each lesion ≥ PI-RADS 3 had a known histology or was considered non clinically significant (PI-RADS 2). One resident reader was tasked to read each case twice in two stages (first, without the aid of AI and then 4 weeks later with the aid of AI). One experienced radiologist read each case once, without the aid of AI only. Reading tasks were to detect, segment (only for the junior radiologist) and classify lesions according to Prostate Imaging Reporting and Data System (PI-RADS) v2.1. The performances of the readers and the AI software were evaluated using sensitivity/specificity/accuracy metrics at cut-off PI-RADS 3. Standalone performances of the AI software were analyzed using the AUC ROC. Interobserver variability was reported using Cohen’s κ on the PI-RADS scores.Reading times for all cases were also assessed and compared without and with AI. Results: Accuracy of junior radiologist in detecting clinically significant cases (PI-RADS ≥3) improved with AI: accuracy (without/with AI) increased from 0.63 to 0.75, p= 3.8 x 10-5. Sensibility (Se) and specificity (Sp) also increased, respectively, from 0.84 to 0.91 (Se, without/with AI) and from 0.53 to 0.67 (Sp, without/with AI). Interreader concordance (in terms of Cohen κ) between the resident and the experienced radiologist increased from 0.44 to 0.54. Annotation time by the resident was reduced by 16%. Conclusion: AI assistance led to a significant increase for the resident in terms of sensibility, specificity and accuracy for the detection of clinically suspicious lesions of prostate cancer (csPCa) and reduced the interreader variability. Identifiant : rennes1-ori-wf-1-18775 | ||
| Exporter au format XML |