L’arthroscopie de poignet est une chirurgie en plein essor mais dont la courbe d’apprentissage est longue et difficile. La complexité de cette chirurgie réside notamment dans la difficulté à distinguer en peropératoire les différentes structures anatomiques. L’intelligence artificielle quant à elle a également présenté de grandes avancées sur les dernières décennies et pourrait être un outil très utile dans la formation des chirurgiens.

L’objectif de notre étude était de mettre au point un algorithme capable de reconnaître les structures osseuses anatomiques du poignet lors d’une arthroscopie. Nous avons inclus de manière prospective 20 arthroscopies de poignet (10 sur patients et 10 sur cadavres). Sur chaque chirurgie nous avons extrait puis labellisé les images des différents os du carpe. Ces images ont permis de créer une base de données pour développer, entraîner puis tester un algorithme de reconnaissance de structures. Notre critère de jugement principal était un score de détection et de catégorisation des structures d’intérêt de type DiceLoss avec un seuil>80 %.

Notre base de données était de 511 images labellisées (4088 après data augmentation). Nous avons développé un algorithme de classification Deeplabv3+ dont l’architecture est de type U-Net. Après une phase d’entraînement de notre algorithme puis de test nous avons obtenu un score moyen de reconnaissance des os du carpe DiceLoss de 89 %.

Cette étude montre qu’une intelligence artificielle est en mesure de détecter de manière fiable les différents os du carpe lors d’une chirurgie arthroscopique du poignet. Certains os du carpe sont mieux détectés que d’autres, ce qui indique qu’un entraînement plus approfondi de notre algorithme permettrait d’améliorer encore sa performance.

L’application de cet algorithme en condition réelle pourrait s’avérer intéressant pour valider nos résultats et in fine pourrait être une aide d’importance pour l’apprentissage et le perfectionnement en chirurgie arthroscopique du poignet.