Notre objectif était de développer un modèle d’intelligence artificielle reposant sur (1) l’apprentissage contrastif de features radiomiques à partir des données d’imagerie, (2) l’analyse de la capacité de prédiction de la survie à 5 ans du transplant rénal de ces features radiomiques.

À partir d’une cohorte rétrospective de 71 receveurs d’un transplant rénal (entre 2013 et 2015) avec une IRM dynamique (gadolinium) systématique réalisée dans le premier mois post transplantation, notre modèle a été conçu par apprentissage contrastif basé sur la discrimination de pairs d’examens d’imagerie (Fig. 1) afin d’extraire des features radiomiques pertinentes pour évaluer la capacité de prédiction de l’échec de transplantation à 5 ans.

Notre modèle a permis de développer un algorithme radiomique basé sur l’imagerie précoce post transplantation et associé à une prédiction de la survie du transplant de 86.0 % d’indice de concordance (par 3-fold cross-validation) (Fig. 2). L’utilisation additionnelle des données d’allocation (caractéristiques du donneur, mismatch HLA, DSA, etc) a modestement amélioré la capacité prédictive à 89,6 % d’indice de concordance. La Heatmap radiomique de notre modèle (×) illustre la capacité de l’algorithme à détecter des évènements ischémiques corticaux aussi bien que des lésions médullaires ou sinusales du transplant. Une des limites de notre travail est son caractère unicentrique : la cohorte de validation provient donc du même centre que la cohorte d’entraînement de l’algorithme.

Ce travail préliminaire démontre l’intérêt de la radiomique pour l’évaluation précoce du transplant rénal. Les données radiomiques pourraient être implémentées aux outils récents basés sur l’IA (iBOX, analyse automatisée des biopsies du transplant) pour la surveillance automatisée de cohorte de transplantés rénaux.