Abstract
L'occlusion aiguë est une urgence fréquente et hétérogène. Nous avons entraîné et testé, sur plusieurs centaines de tomodensitométries, différents modèles 3D pour : (1) détecter l'occlusion (oui/non), (2) distinguer occlusion mécanique vs fonctionnelle, (3) localiser les occlusions sur bride par segmentation de la zone de transition, (4) prédire la chirurgie (urgente ≤24 h / différée / aucune), et (5) détecter l'ischémie de la paroi de l'intestin grêle confirmée au bloc. Le réseau neuronal convolutif mixte 2D-3D atteint une précision équilibrée jusqu'à 0,89 pour la détection binaire, avec une sensibilité proche de 0,98 en validation externe. Si les performances restent limitées pour la différenciation occlusions mécaniques/fonctionnelles ou la localisation des brides, plusieurs approches montrent un potentiel prometteur, notamment les modèles multimodaux. L'intégration des données biologiques (CRP, neutrophiles) dans un modèle Vision Transformer améliore nettement la détection de l'ischémie précoce en cas d'occlusion du grêle (Se : 0,76 →0,89 ; AUC : 0.53→0,69). Les modèles de fondation (MAISI, CT-FM) testés en few-shot learning n'ont pas encore dépassé les modèles classiques, mais posent des bases intéressantes pour de futures recherches. Par ailleurs, certains modèles se révèlent utiles pour améliorer le triage et accompagner les radiologues dans l'évaluation de la souffrance digestive. Enfin, ces travaux montrent l'intérêt d'augmenter et diversifier les données, d'affiner les annotations (ischémie, bride, transition) et d'explorer des architectures plus hiérarchiques et plus spécifique à l'imagerie 3D. L'IA, bien que perfectible, s'affirme déjà comme un soutien précieux dans l'aide au diagnostic des occlusions intestinales.