RECHERCHE ORIGINALE
Front. Artif. Intell.
Sec. Apprentissage automatique et intelligence artificielle
Volume 8 – 2025 |
doi: 10.3389/frai.2025.1413820
Exploiter l’intelligence artificielle pour la modélisation prédictive multimodale en chirurgie orthopédique
Voir tous les 7 articles
Accepté provisoirement
- 1 Turkcell (Turquie), Istanbul, Türkiye
- 2 Université de Başkent, Ankara, Türkiye
La version finale et formatée de l’article sera publiée prochainement.
Objectif : Cette étude vise à classifier les stades d’arthrose de Kellgren-Lawrence (KL) en utilisant des images radiographiques antéropostérieures du genou, en comparant deux méthodologies d’apprentissage profond (DL) : une approche traditionnelle à modèle unique et une approche multi-modèle proposée. Plus précisément, nous avons examiné :
– L’efficacité des approches DL à modèle unique et multi-modèle dans la classification des stades KL.
– La performance de sept architectures de réseaux de neurones convolutifs (CNN) à travers quatre tâches DL.
– L’impact de l’augmentation CLAHE (Égalisation adaptative d’histogramme limitée en contraste) sur les résultats de classification.
Approche : Nous avons créé un ensemble de données composé de 14 607 radiographies AP de genou annotées provenant de trois hôpitaux. La région de l’articulation du genou a été isolée à l’aide d’un modèle de détection d’objets YOLOv5. L’approche multi-modèle a utilisé trois modèles DL : un pour la détection des ostéophytes, un autre pour l’analyse du rétrécissement de l’espace articulaire, et un troisième pour combiner ces résultats avec des données démographiques et d’image pour la classification KL. L’approche à modèle unique a classifié directement les stades KL en tant que référence. Sept architectures CNN (NfNet-F0/F1, EfficientNet-B0/B3, Inception-ResNet-v2, VGG16) ont été entraînées avec et sans augmentation CLAHE.
Résultats : L’approche à modèle unique a atteint une F1-score de 0.763 et une précision de 0.767, surpassant la stratégie multi-modèle, qui a obtenu 0.736 et 0.740. Différents modèles ont bien performé dans des tâches spécifiques, soulignant la nécessité de sélectionner une architecture spécifique à chaque tâche. L’augmentation CLAHE a eu un impact négatif sur la majorité des modèles, un seul montrant une amélioration marginale de 0.3 %.
Conclusion : L’approche à modèle unique s’est révélée plus efficace pour le classement KL, dépassant les indicateurs de la littérature existante. Ces résultats soulignent l’importance des architectures spécifiques aux tâches et du prétraitement. Les études futures devraient explorer des modèles d’ensemble, des augmentations avancées et la validation clinique pour améliorer l’applicabilité.
Mots-clés :
intelligence artificielle, apprentissage profond, apprentissage par transfert, Kellgren Lawrence, gonarthrose, image médicale : apprentissage multimodal
Reçu :
07 avril 2024 ;
Accepté :
14 janvier 2025.
Droit d’auteur :
© 2025
Yaylı, Kılıç et Beyaz. Cet article est en accès libre distribué sous les termes de la licence Creative Commons Attribution (CC BY). L’utilisation, la distribution ou la reproduction dans d’autres forums est autorisée, à condition que les auteurs ou le(s) licencié(s) originaux soient crédités et que la publication originale dans ce journal soit citée, conformément aux pratiques académiques acceptées. Aucune utilisation, distribution ou reproduction n’est autorisée qui ne respecte pas ces termes.
* Correspondance :
Salih Beyaz, Université de Başkent, Ankara, Türkiye
Avis de non-responsabilité :
Les opinions exprimées dans cet article sont exclusivement celles des auteurs et ne représentent pas nécessairement celles de leurs organisations affiliées, ni celles de l’éditeur, des rédacteurs et des évaluateurs. Aucun produit qui pourrait être évalué dans cet article ou toute revendication émanant de son fabricant n’est garantis ou soutenus par l’éditeur.
Points à retenir
- L’étude se concentre sur la classification des stades d’arthrose de Kellgren-Lawrence à l’aide de techniques d’apprentissage profond.
- Deux approches d’apprentissage sont comparées : un modèle unique et un modèle multiple, chaque méthode ayant ses avantages spécifiques.
- Les résultats montrent que le modèle unique a surpassé le modèle multiple en termes de précision et de F1-score, ce qui a des implications pour l’utilisation clinique.
- Le prétraitement des données, comme l’augmentation CLAHE, peut avoir un impact significatif sur les performances des modèles.
- Cette recherche ouvre la voie à des études ultérieures sur des méthodes plus avancées et des validations cliniques.
En conclusion, cette étude met en lumière l’importance du choix des architectures de modèles et des méthodes de prétraitement dans l’analyse d’images médicales. Cela soulève également des questionnements sur l’avenir des technologies d’apprentissage profond dans la médecine orthopédique. Quels autres cas d’utilisation pourraient bénéficier d’une telle approche ? Cette réflexion pourrait enrichir notre compréhension et améliorer les applications futures.
C’est fascinant de voir comment l’intelligence artificielle peut transformer le diagnostic médical. Des avancées comme celles-ci pourraient vraiment changer la vie des patients, n’est-ce pas ?
Cet article éveille notre curiosité sur l’avenir de l’IA en médecine. J’aimerais voir davantage d’initiatives comme celle-ci, qui fusionnent art et science pour des solutions innovantes.
Cet article met en lumière de belles synergies entre l’intelligence artificielle et la médecine. Une approche prometteuse pour transformer notre compréhension des maladies articulaires et améliorer le bien-être des patients.
Wow, cette étude sur la classification des stades d’arthrose est fascinante ! Utiliser l’IA pour mieux diagnostiquer, c’est vraiment innovant. Hâte de voir les prochaines avancées !
Cet article offre un aperçu intéressant sur l’utilisation de l’apprentissage profond pour classer l’arthrose. Les résultats prouvent que le choix du modèle est crucial pour une meilleure précision.