La radiomique permet une évaluation oncologique quantitative, mais la reproductibilité limitée des paramètres entrave son adoption clinique. La reconstruction d'image par deep learning (DLIR) améliore la qualité mais peut affecter la stabilité des données. Nous avons évalué l'impact de la DLIR sur la reproductibilité intra- et inter-observateur des paramètres radiomiques en IRM des lésions hépatiques malignes, ainsi que son effet sur le pouvoir discriminant des tissus.

Cette étude rétrospective monocentrique a inclus 95 patients présentant des lésions hépatiques malignes. Trois séquences IRM (T2, T2FS, Diffusion) ont été reconstruites par méthode conventionnelle et DLIR. Deux radiologues ont segmenté trois types de tissus (tumeur, zone péritumorale, foie sain) ; un observateur a répété la segmentation pour l'analyse intra-lecteur. Au total, 152 paramètres radiomiques ont été extraits par la plateforme MIRP. La reproductibilité a été définie par un ICC> 0,75. Le pouvoir discriminant a été évalué par la quantification des paramètres significativement différents entre les tissus et par une tâche de classification des tissus.

La reproductibilité intra-observateur était élevée pour les tumeurs (70–80 %) et comparable entre les reconstructions. Dans la zone péritumorale, la DLIR a légèrement réduit la reproductibilité (67,8 % contre 74,3 %), affectant principalement les textures d'ordre supérieur. La reproductibilité inter-observateur est restée faible (< 9 %). Concernant le pouvoir discriminant, la DLIR a généré légèrement moins de paramètres significativement différente (ex. tumeur vs foie sain : 73,7 % contre 80,9 %), particulièrement pour les comparaisons tumeur–péritumoral. Cependant, aucune différence n'a été observée dans les performances de classification.

La DLIR maintient une reproductibilité intra-observateur élevée pour les paramètres tumoraux mais peut légèrement diminuer la stabilité dans les régions péritumorales. Bien que la DLIR réduise marginalement le nombre de paramètres discriminants, elle ne compromet pas la performance globale de classification tissulaire, soutenant son intégration dans les études de radiomique.

• Stabilité tumorale : La reconstruction par deep learning (DLIR) maintient une reproductibilité intra-observateur élevée (70–80 %), équivalente aux méthodes conventionnelles pour les lésions hépatiques.

• Sensibilité péritumorale : Une légère baisse de stabilité et du nombre de paramètres discriminants est observée en zone péritumorale, affectant principalement les textures de haut niveau.

• Validation d'usage : Malgré ces variations mineures, la DLIR ne compromet pas les performances globales de classification tissulaire, validant son usage dans les futurs flux de travail en radiomique.