Évaluation de la performance diagnostique de l'IRM de la sacroiliite par une technologie d'apprentissage automatique

par Shymaa Abou Arkoub

Projet de thèse en Sciences pour l'Ingénieur

Sous la direction de Amir Hajjam El Hassani, Mohammad Hajjar et de Bassam Daya.

Thèses en préparation à Bourgogne Franche-Comté en cotutelle avec l'Université libanaise , dans le cadre de École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; Dijon ; Belfort) , en partenariat avec Laboratoire de Nanomédecine, Imagerie, Thérapeuthique (laboratoire) depuis le 18-12-2018 .


  • Résumé

    La lecture de l'IRM des articulations sacro-iliaques (IS) est difficile à interpréter et représente un problème de diagnostic important pour le rhumatologue. En outre, la sacro-iliite à l'IRM fait partie des critères de classification ASAS (bras d'imagerie) AS. L'imagerie par résonance magnétique du bassin et de l'IS peut permettre d'identifier des signaux évocateurs d'un œdème osseux pouvant suggérer une sacroiliite (IS), mais il est parfois difficile de déterminer leur origine inflammatoire ou mécanique. Certaines sources de confusion sont représentées par le sport intensif et les grossesses multiples et peuvent conduire à des diagnostics de sacro-iliite par excès. Un diagnostic d'AS basé sur une interprétation IRM erronée est potentiellement délétère. En effet, il est souvent à l'origine de prescriptions non justifiées, notamment de biomédecine. Ce n'est pas sans conséquences pour le patient et la société, avec un certain impact médico-économique. Il s'agit de la première étude évaluant l'intérêt et les performances d'une technologie d'intelligence artificielle appliquée à l'imagerie ostéoarticulaire dans le domaine de l'AS. L'application de l'apprentissage automatique à l'imagerie sacro-iliaque est une nouvelle approche qui pourrait, grâce à son caractère intégratif, améliorer la précision de la classification de la SA. À l'avenir, des indications plus larges pourraient être envisagées, telles que l'évaluation dans le temps de l'évolution structurelle du rhumatisme inflammatoire chronique.

  • Titre traduit

    Evaluation of diagnostic performance of sacroiliitis MRI by machine learning technology


  • Résumé

    Reading the MRI of the sacroiliac joints (SI) is difficult to interpret and represents an important diagnostic issue for the rheumatologist. In addition, MRI sacroiliitis is part of the ASAS (imaging arm) AS classification criteria. Magnetic resonance imaging of the pelvis and SI can identify signals suggestive of bone edema that may suggest sacroiliitis (SI), but it is sometimes difficult to determine their inflammatory or mechanical origin. Some sources of confusion are represented by intensive sport and multiple pregnancies and can lead to diagnoses of sacroiliitis by excess. An SA diagnosis based on an erroneous MRI interpretation is potentially deleterious. Indeed, it is often at the origin of unjustified prescriptions, in particular of biomedicines. This is not without consequences for the patient and the society, with a certain medico-economic impact. This is the first study evaluating the interest and performance of an artificial intelligence technology applied to osteoarticular imaging in the field of AS. The application of machine learning to sacroiliac imaging is a new approach that could, thanks to its integrative nature, improve the accuracy of the classification of SA. In the future, broader indications could be considered, such as the assessment over time of the structural evolution of chronic inflammatory rheumatism.