OBJECTIVES
Les modèles d’apprentissage profond ont démontré un potentiel considérable pour améliorer la précision diagnostique dans tous les domaines médicaux. Bien que YOLACT ait démontré une détection et une segmentation en temps réel dans des ensembles de données non médicales, son application en milieu médical reste sous-explorée. Cette étude a évalué les performances d’un modèle de délimitation de polypes en temps réel dérivé de YOLACT (RTPoDeMo) pour une utilisation en temps réel sur des vidéos de coloscopie enregistrées prospectivement.
METHODS
Douze combinaisons d’architectures, dont Mask-RCNN, YOLACT et YOLACT++, associées à des réseaux fédérateurs tels que ResNet50, ResNet101 et DarkNet53, ont été testées sur 2 188 images de coloscopie avec trois résolutions. La préparation des données impliquait un prétraitement et une annotation de segmentation, avec une augmentation d’image optimisée.
RESULTS
RTPoDeMo, utilisant YOLACT-ResNet50, atteint 72,3 mAP et 32,8 FPS pour la segmentation d’instances en temps réel basée sur les annotations COCO. Le modèle a fonctionné avec une précision par image de 99,59 % (IC à 95 % : [99,45 % – 99,71 %]), une sensibilité de 90,63 % (IC à 95 % : [78,95 % – 93,64 %]), une précision de 99,95 % (IC à 95 % : [99,93 % – 99,97 %]) et un score F1. de 0,94 (IC à 95 % : [0,87 – 0,98]). Lors de la validation, sur 36 polypes détectés par les experts, RTPoDeMo n’en a manqué qu’un seul, contre six pour les endoscopistes expérimentés. Le modèle a démontré une bonne concordance avec les experts, reflétée par un coefficient Kappa de Cohen de 0,72 (IC à 95 % : [0,54 – 1,00], p < 0,0001).
CONCLUSION
Notre modèle ouvre de nouvelles perspectives pour l’adaptation de YOLACT à la délimitation en temps réel des polypes colorectaux. À l’avenir, il pourrait améliorer la caractérisation des polypes à réséquer lors d’une coloscopie.
