La réalité augmentée (RA) pourrait bientôt devenir un outil chirurgical quotidien, en superposant des informations additionnelles à la vision du chirurgien. Ce processus nécessite une reconnaissance de l’image chirurgicale par le système de RA, qui repose sur la segmentation des éléments anatomiques. Nous développons un logiciel de RA pour les néphrectomies partielles robot-assistées (NPRA), avec reconnaissance automatisée du parenchyme par intelligence artificielle. Nous avons donc souhaité décrire la base d’entraînement de ce réseau neuronal.

Nous avons constitué une base de 47 956 images, issues de 51 vidéos de NPRA. Sur chaque image, parenchyme rénal, îlots graisseux et tumeur sont segmentés par un groupe d’annotateurs non-médecins et formés. Nous avions précédemment évalué la variabilité inter-annotateurs médecins, avec une spécificité variant de 92,6 % à 96,5 % et un indice de Dice de 80,8 % à 88,1 %. Nous avons donc ensuite évalué le taux d’erreur des non-médecins, par évaluation médicale des images segmentées.

Sur un échantillon représentatif de 5459 images issues de 9 NPRA, nous avons retrouvé une moyenne (min-max ; écart-type) de 68,85 % (50,00–97,51 ; SD 16,38) de segmentations correctes, pour une médiane (Q1–Q3) de 69,83 (Q1–Q3 : 52,01–78,39). En s’intéressant aux phases chirurgicales (Fig. 1), on retrouve 95,3 % (SD=5,96) de réussite pour la dissection rénale, 61,61 % (SD=28,61) pour la dissection tumorale, 64,66 % (SD=31,60) pour la tumorectomie et 78,14 % (SD=25,86) pour la phase de reconstruction. La dissection du hile, non systématiquement réalisée (499 images de 3 chirurgies), semble la plus délicate avec seulement 48,32 % (SD 38,84) de réussite. Aucune corrélation entre le niveau de réussite et les caractéristiques tumorales n’a été identifiée. L’échec était généralement lié à une erreur de jugement répétée sur un grand nombre d’images.

Notre base d’entraînement de réseau neuronal de segmentation rénale présente une fiabilité acceptable mais reste perfectible. Nous avons mis en exergue les phases présentant le plus de difficultés pour les annotateurs non-médecins. Après explication des erreurs et correction, nous espérons améliorer nettement ces résultats. Lors des tests préliminaires, le tracking aidé d’un réseau neuronal entraîné sur cette base s’est néanmoins avéré réalisable. Il semble essentiel de connaître la fiabilité d’une base d’entraînement pour apprécier l’applicabilité d’un système d’intelligence artificiel.