L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-23
Un cadre d'apprentissage profond pour l'étiquetage automatisé des vertèbres de la moelle épinière cervicale et l'extraction morphométrique à partir d'IRM cérébrales, avec validation multicentrique à grande échelle
Titre original: A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation
L'étude visait à construire et à valider un pipeline entièrement automatisé qui identifie les niveaux vertébraux C1–C3 de la moelle épinière cervicale supérieure sur des IRM cérébrales pondérées en T1, et qui inclut un contrôle qualité. Des modèles d'apprentissage profond ont été entraînés sur les données de 998 témoins et de 879 patients atteints d'ataxies héréditaires répartis sur 32 sites, nnU-Net obtenant les meilleurs résultats (Dice de 0,85 pour C1 et de 0,89 pour C2 et C3). La validation externe sur 2 737 IRM a montré une précision d'étiquetage supérieure à 92 % dans quatre jeux de données sur cinq, et la méthode a également détecté une atrophie longitudinale de la moelle épinière chez des patients atteints de sclérose en plaques.