Imagerie par résonance magnétique pour le diagnostic des blessures au genou après le ski chez les adolescents via l’apprentissage profond

Pourquoi les clichés du genou sont importants pour les jeunes skieurs

Le ski gagne en popularité chez les adolescents, mais il comporte aussi un risque réel de blessures au genou pouvant affecter la performance et la santé articulaire à long terme. Les médecins s’appuient sur l’imagerie par résonance magnétique (IRM) pour explorer l’intérieur du genou, toutefois de petites déchirures et des dommages cartilagineux précoces peuvent être faciles à manquer lorsqu’on lit les examens à l’œil nu. Cette étude explore comment un système d’intelligence artificielle peut aider les radiologues à interpréter plus rapidement et de manière plus homogène les IRM du genou de jeunes skieurs, en détectant des problèmes subtils avant qu’ils n’empirent.

Comment le ski sollicite les genoux des jeunes

Les skieurs adolescents présentent un taux élevé de problèmes au genou, notamment des déchirures du ligament croisé antérieur et du ménisque, ainsi que des lésions cartilagineuses et des entorses du ligament collatéral médial. Ces blessures peuvent interrompre l’entraînement, augmenter le risque d’arthrose future et même écourter les carrières sportives. Par ailleurs, les adolescents ne sont pas de simples adultes en miniature : leurs os et leur cartilage sont encore en développement, si bien que les lésions apparaissent différemment sur les images et peuvent se situer à d’autres endroits que chez les athlètes matures. Malgré cela, la plupart des outils informatiques pour la lecture des IRM du genou ont été entraînés sur des images d’adultes, laissant un manque de soutien pour les jeunes compétiteurs.

Limites de la lecture des examens à l’œil nu

Le diagnostic standard par IRM dépend fortement de la compétence et de l’expérience du radiologue. Lire l’ensemble des coupes d’un genou coupe par coupe est long et fatigant, et de minuscules défauts du cartilage ou des déchirures partielles de ligaments peuvent être négligés. Différents cliniciens peuvent aussi interpréter un même examen différemment, ce qui complique les décisions thérapeutiques. Des méthodes informatiques antérieures ont tenté d’aider en mesurant des caractéristiques simples de l’image et en les fournissant à des algorithmes classiques, mais elles peinaient à capturer les motifs riches nécessaires pour distinguer l’anatomie normale de l’adolescent d’une lésion débutante.

Un modèle intelligent qui localise et nomme les lésions

Les chercheurs ont construit un système hybride d’apprentissage profond réalisant deux tâches simultanément : il délimite d’abord précisément les régions lésées sur l’IRM, puis identifie les types de lésions présentes. Une partie du modèle, nommée U Net++, agit comme un surligneur numérique qui trace quatre types de dommages au niveau du pixel : déchirures du ligament croisé antérieur, déchirures du ménisque, atteintes du cartilage et entorses du ligament collatéral médial. Sa conception lui permet de réutiliser des détails d’image à plusieurs échelles et de recevoir des guidances supplémentaires pendant l’entraînement, ce qui aide particulièrement pour les lésions très petites ou peu contrastées. La seconde partie, basée sur un réseau appelé DenseNet121, prend à la fois l’examen d’origine et les régions de lésion mises en évidence, apprend des motifs à leur travers et détermine les lésions présentes dans chaque genou.

Test sur de vraies IRM de jeunes skieurs

L’équipe a entraîné et évalué le système sur 309 cas d’IRM du genou provenant de skieurs adolescents âgés de 12 à 18 ans. Des radiologues expérimentés ont dessiné avec soin les régions lésées et se sont mis d’accord sur des étiquettes finales, fournissant une référence de haute qualité pour le modèle. Les images couvraient plusieurs séquences IRM courantes et étaient standardisées en taille. Lors de l’entraînement, le système a vu de nombreuses versions légèrement modifiées de chaque examen, comme de petites rotations et des variations de luminosité, afin de mieux gérer la variabilité du monde réel. Les chercheurs ont comparé leur approche à l’apprentissage machine traditionnel reposant sur des caractéristiques manuelles, à un réseau profond populaire appelé ResNet50, et à une combinaison plus simple de modèles distincts de segmentation et de classification.

Performance du système

Le modèle hybride a montré des gains nets tant pour la délimitation que pour la reconnaissance des lésions. En moyenne, ses segmentations correspondaient étroitement aux tracés des radiologues, en particulier pour les déchirures méniscales et les lésions ligamentaires, et il a amélioré la cartographie du cartilage par rapport à un U Net standard. Pour la classification, il a correctement identifié les types de lésions dans environ neuf cas sur dix, avec un bon équilibre entre détection des vraies lésions et limitation des fausses alertes. Le système a dépassé à la fois les méthodes classiques basées sur des caractéristiques et ResNet50 sur toutes les mesures clés, et ce avec une meilleure efficacité d’entraînement que l’exécution de modèles séparés.

Que signifie cela pour les jeunes sportifs et les cliniques

En termes simples, l’étude suggère qu’un assistant IA bien conçu peut aider les médecins à lire les IRM du genou des skieurs adolescents plus rapidement et de manière plus homogène, en particulier pour les lésions petites ou facilement négligées. En pointant automatiquement les zones suspectes et en indiquant les types de lésion probables en quelques secondes, un tel outil pourrait réduire les diagnostics manqués, soutenir les radiologues moins expérimentés et accélérer les décisions sur le traitement et la reprise du sport. Les auteurs soulignent qu’il reste nécessaire de rassembler des données plus diversifiées provenant de plusieurs hôpitaux, mais leurs résultats montrent que l’IA peut devenir un partenaire pratique pour protéger les genoux des jeunes sur les pistes.

Citation: Xu, W., Li, S., Zhang, G. et al. Magnetic resonance imaging diagnosis of knee injuries after skiing in adolescents under deep learning. Sci Rep 16, 15576 (2026). https://doi.org/10.1038/s41598-026-47058-9

Mots-clés: IRM du genou, blessures au ski chez l’adolescent, diagnostic par apprentissage profond, imagerie en médecine du sport, déchirures des ligaments et du cartilage