• Décrire les principales applications de l’intelligence artificielle en neuroradiologie d’urgence.
• Évaluer l’apport de l’IA dans la détection, la segmentation et la caractérisation des pathologies neurologiques aiguës.
• Discuter les perspectives et les limites de l’intégration de l’IA dans le flux de travail clinique.

• L’intelligence artificielle améliore significativement la détection précoce et le triage des urgences neuroradiologiques, tout en complétant l’expertise du radiologue.

L’intelligence artificielle, incluant le machine learning et le deep learning, intervient à différentes étapes du flux de travail radiologique. Elle permet la priorisation des examens et l’optimisation des protocoles, améliore la qualité des images et réduit les artefacts lors de l’acquisition, puis facilite le triage des examens et la détection automatisée des anomalies.

Dans les urgences neuroradiologiques, notamment dans l’AVC ischémique aigu, les algorithmes de deep learning améliorent significativement la détection précoce L’intégration de l’IA permet d’augmenter cette performance diagnostique, avec une aire sous la courbe (AUC) pouvant atteindre 0,84 contre 0,66 chez les radiologues. Les modèles basés sur des réseaux neuronaux convolutifs permettent également l’analyse automatisée de l’imagerie de perfusion, avec une segmentation du noyau infarci et de la pénombre ischémique atteignant un Dice Similarity Coefficient (DSC) jusqu’à 0,86, facilitant l’identification des patients éligibles aux traitements de reperfusion, notamment la thrombectomie mécanique.

L’IA permet également la détection rapide des occlusions de gros vaisseaux, avec des performances diagnostiques pouvant atteindre 97 % de précision. Plusieurs solutions validées, telles que Viz.ai, RapidAI ou Brainomix, intègrent ces algorithmes dans le flux de travail clinique et permettent une réduction significative des délais de prise en charge, notamment du temps entre l’imagerie et la thrombectomie (93 à 68 minutes) et du délai diagnostique (512 à 19 minutes).

Au-delà de l’AVC ischémique, l’IA démontre des performances prometteuses dans la détection et la quantification des hémorragies intracrâniennes, avec un DSC moyen d’environ 0,84, ainsi que dans l’identification des anévrismes intracrâniens et malformations artérioveineuses, avec une sensibilité et une spécificité pouvant atteindre 94–100 %. Des approches basées sur la radiomique et le deep learning améliorent également l’évaluation des infections cérébrales, ainsi que certaines pathologies rachidiennes et pédiatriques.

• L’IA améliore l’efficience du diagnostic en neuroradiologie d’urgence en permettant une détection plus rapide des lésions et un triage prioritaire des examens critiques.
• Les modèles de deep learning constituent un support décisionnel pour le radiologue en optimisant l’analyse des images et en réduisant les erreurs diagnostiques.
• L’intégration clinique de l’IA nécessite une validation scientifique rigoureuse afin d’assurer la reproductibilité des performances et la sécurité d’utilisation en pratique réelle.