Analyse automatique de la sévérité de l’arthrose sur des radiographies du genou à l’aide de réseaux de neurones convolutifs

L’arthrose du genou est une pathologie dégénérative hétérogène et complexe, caractérisée par une détérioration progressive du cartilage osseux et des modifications structurelles de l’articulation. La précision du diagnostic et la cotation de la sévérité sont centrales pour la décision de prise en charge thérapeutique et son suivi. Ils reposent sur trois piliers : une évaluation de la douleur, de la gêne fonctionnelle et des modifications structurelles. Pour ce dernier critère, l’interprétation radiographique à l’aide d’échelles standardisées reste le protocole standard en soin courant. L’échelle de Kellgren–Lawrence qui évalue à la fois l’espacement articulaire et la présence d’ostéophytes permet une classification des stades d’arthrose, mais repose sur une interprétation manuelle subjective et requiert du temps médical. Pour faciliter ces évaluations, nous avons développé des algorithmes d’intelligence artificielle pour mesurer automatiquement l’espacement articulaire tibia–fémur et déterminer le score de Kellgren–Lawrence. Pour cette étude, nous avons constitué une cohorte rétrospective de 19 560 patients. Cette base a été nettoyée et caractérisée à l’aide de plusieurs réseaux de neurones pour obtenir un jeu de 12 260 radiographies du genou en incidence AP, sans prothèse et sans artefacts. Nos travaux explorent deux approches : la prédiction du stade d’arthrose suivant l’échelle de Kellgren–Lawrence (KL) et la mesure de l’espacement tibia–fémur (ou joint space width [JSW]). Pour la prédiction automatique du score Kellgren–Lawrence, 2081 radiographies ont été annotées par des radiologues. À l’aide de ces annotations, nous avons entraîné un réseau de neurones convolutionnels (CNN) pour prédire ce score. La mesure de l’espacement tibia–fémur a nécessité la production de 3 annotations différentes : le positionnement de l’articulation, des deux condyles (médial et latéral) et le tracé des contours du tibia et du fémur. Trois réseaux de neurones ont été optimisés pour reproduire ces annotations et ainsi calculer l’espacement tibia–fémur pour chaque condyle. Pour chaque tâche différente, nous avons décomposé les jeux de données en jeu d’entraînement, de validation et de test, utilisé différentes fonctions d’augmentation des données et recherché la meilleure architecture possible. La prédiction du Kellgren–Lawrence a obtenu les performances suivantes : une précision de 0,92, une sensibilité de 0,84 et une valeur moyenne d’aire sous la courbe ROC (AuC) de 0,97. Pour évaluer la mesure de l’espacement tibia–fémur, nous avons calculé la corrélation entre l’aire mesuré par les annotateurs et l’aire prédite par les algorithmes, obtenant une corrélation de Pearson de 0,84. Cette étude met en lumière la pertinence de l’utilisation des réseaux de neurones artificiels pour l’évaluation de l’arthrose. Leurs performances ouvrent la voie vers un outil d’aide à la gradation précise et standardisée de la sévérité de l’atteinte articulaire.