Réseaux de neurones convolutionnels utilisant la TDM préopératoire pour prédire la récidive à court terme après la réparation d’une hernie incisionnelle

Pourquoi il est important de prévoir les complications chirurgicales

Lorsqu’une personne subit une intervention pour réparer une hernie de la paroi abdominale survenue au niveau d’une cicatrice antérieure, l’espoir est que la réparation tienne dans le temps. Pourtant, dans une minorité notable de cas, la hernie récidive, ce qui signifie souvent plus de douleurs, de nouvelles interventions et des coûts supplémentaires. Les chirurgiens estiment généralement ce risque sur la base de leur expérience et de quelques facteurs cliniques, mais ces évaluations sont imparfaites. Cette étude examine si une forme d’intelligence artificielle, entraînée sur des clichés TDM préopératoires de routine, peut aider à prédire quels patients sont les plus susceptibles de connaître une récidive après réparation d’une hernie incisionnelle.

Transformer des clichés de routine en prédictions

Les chercheurs ont analysé rétrospectivement 528 patients opérés pour une hernie incisionnelle dans un grand hôpital entre 2016 et 2019. Tous avaient bénéficié d’examens TDM de l’abdomen effectués avant l’intervention, capturant la taille, la localisation et la forme de la hernie ainsi que des tissus environnants. L’équipe a extrait 44 380 coupes d’images individuelles montrant la région de la hernie, a supprimé toute information identifiante, a standardisé les images dans un format uniforme et les a séparées en un grand jeu d’entraînement et un plus petit jeu de test. Il est important de noter que les modèles informatiques n’ont jamais « vu » les images du jeu de test pendant l’entraînement, ce qui permettait d’évaluer équitablement la performance du système sur de nouveaux patients.

Comment l’ordinateur apprend à partir des images

Pour analyser les scans, les auteurs ont utilisé trois modèles d’apprentissage profond populaires pour l’imagerie, connus sous le nom de réseaux de neurones convolutionnels. Ces réseaux, développés à l’origine pour des tâches telles que la reconnaissance d’objets courants dans des photographies, excellent à repérer des motifs dans des images complexes. Pendant l’entraînement, chaque coupe TDM était étiquetée selon que la hernie du patient avait ultérieurement récidivé ou non. Les réseaux comparaierent à plusieurs reprises leurs prédictions aux résultats réels et ajustèrent leurs connexions internes pour réduire les erreurs. Pour chaque patient, les prédictions issues de plusieurs coupes ont été combinées en une estimation unique du risque de récidive.

Quel modèle a le mieux performé

Les trois modèles — ResNet-50, une version plus profonde appelée ResNet-152, et VGG16 — n’ont pas montré des performances équivalentes. Lorsqu’on les a testés sur des images jamais vues auparavant, ResNet-50 a présenté la meilleure capacité à distinguer les patients susceptibles de récidiver de ceux qui ne le seraient pas. Sa performance, résumée par une métrique standard appelée aire sous la courbe, était sensiblement supérieure à celle des deux autres réseaux. L’analyse statistique a confirmé que ces différences avaient peu de chances d’être dues au hasard. Pour comprendre ce à quoi les réseaux « prêtaient attention », l’équipe a également utilisé une méthode de visualisation qui met en évidence les régions d’image les plus importantes pour une prédiction, révélant que les zones autour du défaut herniaire et de la paroi abdominale portaient le plus de poids.

Ce que cela pourrait signifier pour les patients et les chirurgiens

Si ces outils de prédiction basés sur l’imagerie sont affinés et validés dans plusieurs hôpitaux, ils pourraient apporter un second avis objectif à l’évaluation du chirurgien. Une estimation plus précise du risque de récidive, calculée avant l’intervention à partir d’un examen déjà intégré aux soins standards, pourrait aider à orienter les décisions sur le calendrier de l’opération, le choix de la stratégie chirurgicale, le type et la taille de la maille, et sur l’opportunité d’adresser un patient vers un centre spécialisé en hernies. Par exemple, les patients à haut risque pourraient recevoir des conseils sur des mesures supplémentaires pour renforcer la réparation, tandis que les patients à faible risque pourraient être épargnés d’interventions plus agressives.

Les prochaines étapes

Les auteurs soulignent que ce travail constitue une preuve de concept précoce plutôt qu’un outil clinique abouti. L’étude repose sur des patients d’un seul hôpital, utilise un nombre relativement modeste de cas au regard des standards de l’apprentissage profond, et se limite à l’imagerie en ignorant d’autres facteurs importants tels que l’état de santé global, les interventions antérieures et la technique chirurgicale. Les recherches futures devront combiner les caractéristiques extraites des TDM avec des informations cliniques et opératoires détaillées, tester les modèles sur des cohortes plus larges et plus diverses de patients, et s’assurer que les prédictions sont compréhensibles et fiables pour les cliniciens. Néanmoins, les résultats suggèrent qu’une analyse intelligente d’images médicales de routine pourrait un jour aider à personnaliser la chirurgie des hernies et à réduire les risques d’une réparation supplémentaire indésirable.

Citation: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Mots-clés: hernie incisionnelle, récidive de hernie, apprentissage profond, imagerie TDM, résultats chirurgicaux