Logo Logo

Evaluation de la généralisation d’un modèle de deep learning entrainé à partir du dataset SIIM-ACR 2019 pour la détection de pneumothorax

Van, Viet-Tam (2021) Evaluation de la généralisation d’un modèle de deep learning entrainé à partir du dataset SIIM-ACR 2019 pour la détection de pneumothorax. Thèse d'exercice en Thèses > Médecine spécialisée, Université Toulouse III - Paul Sabatier.

[img]
Preview
PDF
Télécharger (1MB)

Résumé en français

L'objectif était de créer un modèle de classification d'images, basé sur le deep learning sur un dataset publiquement disponible, pour la détection de pneumothorax et d'évaluer la généralisation de ce modèle sur les radiographies thoraciques de notre institution. Un modèle de deep learning a été entraîné et validé sur le dataset SIIM-ACR 2019. Ce jeu de données est composé de 12047 images de radiographies pulmonaires, dont 8296 pneumothorax et 3286 sans pneumothorax. Des radiographies thoraciques locales ont ensuite été analysées rétrospectivement dans notre institution locale à partir de 2020 pour créer un dataset Test local équilibré composé de 103 "Pneumothorax" et 103 "Non pneumothorax". Le scanner du même jour que la radiographie du thorax a été utilisé comme gold standard. Les performances ont été évaluées en utilisant l'aire sous la courbe (AUC), la sensibilité et la spécificité. Le modèle créé par nos soins a montré de bonnes performances lors des tests internes avec une sensibilité de 0,81, une spécificité de 0,89 et une AUC conséquente de 0,98. La tentative de classification de notre dataset test local a montré une performance plus faible. L'AUC de notre modèle a chuté de 0,98 à 0,72 lors de notre validation externe de Toulouse, avec une sensibilité de 0,40 et une spécificité de 0,78. Il est possible pour un radiologue d’utiliser l'intelligence artificielle comme un nouvel outil. La généralisation de notre modèle à notre dataset test local a produit une chute significative des métriques de performance. Une validation extrinsèque solide et robuste est nécessaire avant la mise en place de l'intelligence artificielle dans la pratique clinique.

Date de soutenance: 3 Septembre 2021
Directeur(s) de thèse: Freiss, Simon
Sujet(s): Thèses > Médecine spécialisée
Facultés: Facultés > Purpan
Mots-clés libres: Intelligence artificielle - Radiographie thoracique - Machine learning - Réseaux neuronaux - Pneumothorax
Déposé le: 21 Jun 2022 14:15

Actions (login required)

Voir document Voir document