e-Algerian Journal of Health & Research
Volume 2, Numéro 1, Pages 61-81
2025-12-18

Ia Multimodale Pour L’évaluation Et La Prédiction De La Sévérité De La Pancréatite Aiguë

Auteurs : Madani Rafik . Taieb Mustapha . Nait Slimane Naima . Sliman Layth . Dellys Hachemi Nabil . Artabaz Saliha . Mokeddem Halima .

Résumé

Introduction La pancréatite aiguë (PA) présente un défi clinique majeur en raison de son évolution imprévisible vers des formes sévères (PAS) associées à une mortalité élevée. Les systèmes de scores traditionnels (Ranson, BISAP, APACHE-II) manquent de sensibilité précoce et reposent sur des données unimodales. L'intelligence artificielle multimodale, intégrant données clinico-biologiques et d'imagerie, offre une opportunité d'améliorer la prédiction précoce de la sévérité. Cette étude vise à évaluer si un modèle d'IA fusionnant données biocliniques et tomodensitométriques (TDM) peut surpasser significativement un modèle bioclinique seul pour la prédiction de la PAS. Matériels et méthodes Cohorte monocentrique de 255 patients admis pour PA (42 cas sévères, 16,5%). Un modèle TDM basé sur ResNet-50 a extrait des caractéristiques de 50 coupes axiales standardisées englobant les régions pancréatique et péripancréatique. L'entraînement à double tâche (perte BCE + contrastive supervisée) a généré trois variants optimisés (Alpha: AUC, Beta: AUPRC, Gamma: Recall@P50) via validation croisée 5-plis. Un modèle bioclinique XGBoost "plug-and-play" (sans optimisation des hyperparamètres, n_estimators=100) a traité les données d'admission (24h) après exclusion des scores établis. La fusion multimodale a intégré les scores TDM comme caractéristiques additionnelles. Évaluation par métriques OOF agrégées et test de DeLong (IC 95%). Résultats Le modèle bioclinique baseline a atteint une AUROC OOF de 0,8196 (IC 95%: 0,7503-0,8888) avec excellente rétention per-fold/OOF (97-100%), comparable aux scores établis. Parmi les modèles TDM, V2-Alpha a démontré la meilleure généralisation OOF (0,7748 AUC, rétention 94,6%) et a surpassé Beta et Gamma dans les trois métriques. La fusion multimodale Alpha (MM-Alpha) a significativement amélioré les performances: AUROC 0,8492 (ΔAUC +0,0296, p=0,0435, IC 95%: 0,7866-0,9118), AUPRC 0,6398 (+14,9%), et Recall@P50 0,6190 (+52,9%, correspondant à 9 patients SAP supplémentaires détectés). MM-Alpha a également amélioré la rétention OOF du Recall@P50 de 71,8% à 90,6%. Les modèles MM-Beta et MM-Gamma n'ont montré aucune amélioration significative (p=0,9445 et p=0,3299), reflétant leur faible généralisation OOF unimodale (rétention 53-71%). Conclusions L'intégration de caractéristiques TDM extraites par apprentissage profond améliore significativement la prédiction de la sévérité de la PA, avec une augmentation remarquable de 53% du rappel à précision fixe. L'optimisation pour la discrimination globale (AUC) produit des signaux plus robustes et immédiatement exploitables en fusion multimodale que les optimisations métrique-spécifiques dans un contexte de cohorte limitée. Ces résultats suggèrent un potentiel clinique pour l'identification précoce des patients à haut risque, nécessitant validation externe multicentrique.

Mots clés

Pancréatite aiguë ; Intelligence artificielle ; Apprentissage profond ; Fusion multimodale ; Tomodensitométrie ; Prédiction de sévérité ; XGBoost ; ResNet-50