L’évaluation de l'activité de la maladie est essentielle dans le suivi de routine et la gestion thérapeutique des patients atteints de Sclérose en Plaques (SEP). De fait, la non détection d'une activité existante peut aboutir à des décisions thérapeutiques sous-optimales et avoir des conséquences négatives sur la santé des patients. L'identification manuelle des lésions démyélinisantes typiques en IRM, cependant, est hautement chronophage et sujette à une variabilité intra et inter-évaluateurs, justifiant le développement de méthodes de détections automatiques fiables et cohérentes dans leurs résultats.

L'objectif de cette étude est d’évaluer la valeur ajoutée de l'utilisation d'un outil d'IA en complément de la revue manuelle des images.

L'analyse par l'outil d'IA (Pixyl.Neuro.MS) est effectuée sur 60 patients de la base de données open-source MSSEG-2. Cette base de données longitudinale est également annotée indépendamment par 4 experts pour la détection des nouvelles lésions. Enfin, un expert senior permet de réviser les annotations pour établir un consensus, servant de référence pour le calcul de métriques (sensibilité, spécificité) (voir Figure 1).

En ce qui concerne la capacité de classification des cas selon la présence, ou l'absence, de nouvelles lésions sur les images FLAIR, l'outil d'IA seul atteint une sensibilité de 97% et une spécificité de 100%. Son utilisation en tant qu'aide à la détection clinique permet un taux de détection accru des patients présentant une ou plusieurs nouvelle(s) lésion(s) de 10 à 29% selon les experts, par rapport à une lecture sans l'assistance de l'outil d'IA (Figure 2).

Cette étude démontre la valeur ajoutée des solutions d'IA afin de seconder les radiologues dans leur relecture des IRM de suivi en routine clinique pour la surveillance des SEP.