Deep learning-enabled monitoring of postoperative fracture healing on serial radiographs: a 150-patient study using an enhanced YOLOv11 framework.
- Deep learning
- YOLOv11
- Surveillance postopératoire
Le score de pertinence est faible (0.2289) en raison de la faible pertinence pour les neurosciences (étude orthopédique) et de la nature technique de l'article.
Étude monocentrique Absence de données sur les résultats fonctionnels des patients Nécessité de validation multicontinentale avant déploiement
Contexte : L'article présente une étude rétrospective sur 150 patients ayant subi une fracture opérée, suivie par radiographies séquentielles. L'analyse manuelle des radiographies pour surveiller la consolidation osseuse est subjective et peu standardisée, ce qui justifie le développement d'outils objectifs basés sur l'intelligence artificielle. Objectif : Créer et valider un cadre de deep learning pour classer les points temporels postopératoires et surveiller la progression de la consolidation osseuse à partir de radiographies séquentielles. Méthode : Le pipeline développé combine (1) une détection des régions fracturées via un modèle YOLOv11 amélioré (avec mécanismes d'attention, perte Focal-SIoU et augmentation de données) et (2) une prédiction de l'état de consolidation en quantifiant la formation de l'appelus et les changements de la ligne de fracture. Les performances ont été évaluées par des métriques comme l'accuracy, le F1 score, et la courbe ROC/AUC, comparées aux lectures cliniciens. Résultats : Le cadre YOLOv11-guidé a montré une localisation fiable des fractures et une évaluation cohérente de la consolidation. Sur le jeu de test indépendant, il a démontré une capacité discriminative stable à travers les étapes de suivi, avec une robustesse accrue par rapport à l'interprétation manuelle, notamment en début de période postopératoire où les changements radiographiques sont subtils. Intérêt clinique : Ce cadre technique permet une surveillance longitudinale objective et scalable de la consolidation osseuse, pouvant soutenir le suivi clinique et les décisions postopératoires. Il ouvre la voie à des outils d'aide à la décision basés sur l'IA en orthopédie. Limites : L'étude est monocentrique et nécessite une validation externe multicontinentale avant une utilisation clinique plus large. Les données ne mentionnent pas d'outcomes cliniques spécifiques (ex. temps de consolidation, complications), limitant l'analyse de l'impact direct sur les soins patients.
Deep learning YOLOv11 Surveillance postopératoire Consolidation osseuse Validation clinique
Amélioration de la standardisation des bilans radiographiques Réduction de la subjectivité dans l'évaluation de la consolidation Support à la prise de décision en chirurgie orthopédique
Preprint