Publicité

UNE NOUVELLE CLASSIFICATION DES LÉSIONS MAMMAIRES EN IRM

13/11/2015
De Bruno Benque

Une équipe autrichienne a élaboré une arbre de classification plus simple, semble-t-il, que Bi-Rads pour les diagnostics de mammo-IRM. Ce processus a montré une précision significative.

Une nouvelle classification des lésions mammaires sous IRM, semblant plus simple que Bi-Rads, a été décrite par une équipe autrichienne dans la revue European Radiology.

Un algorithme simplifiant le classification des lésions

Bi-Rads fournit un lexique qui est empiriquement traduit en probabilité de malignité. Le nouveau système, appelé “Tree”, est quand à lui un système de notation organisé en catégories diagnostiques. L'auteur principal, le Dr Maria Adele Marin, de l'Université de Vienne, trouve les critères de Tree assez simples pour être compris par les praticiens issus d’écoles différentes. Pour la prise en compte de multiples critères diagnostiques disponibles en mammo-IRM, un algorithme pratique pour la classification de la lésion est nécessaire. Pour le Dr Marin, un tel algorithme doit être aussi simple que possible et ne comporter que les caractéristiques importantes permettant de différencier les tumeurs bénignes des lésions malignes. Son étude visait à développer un arbre de classification simple pour le diagnostic différentiel en mammo-IRM.

Un arbre de classification intégrant cinq critères

Un total de 1.084 lésions en mammo-IRM standardisée avec vérification histologique (648 malignes, 436 bénignes) ont été étudiés. Dix-sept critères de lésions ont été évaluées par deux lecteurs et l’analyse de classification a été réalisée en utilisant la méthode chisquared automatic interaction detection (CHAID). Les résultats comprennent la probabilité de malignité pour chaque combinaison de descripteurs dans l'arbre de classification. Un arbre de classification des lésions intégrant cinq critères comprenant 3 ramifications a été élaboré. Des 1084 lésions étudiées, 262 (40,4%) pourraient être classées malignes et 106 (24,3%) bénignes avec une précision supérieure à 95%. La précision du diagnostic global était de 88,4%.

L'algorithme de classification a donc réduit le nombre de descripteurs catégoriques de 17 à 5 (29,4%), avec une grande précision de classification. Plus d'un tiers de toutes les lésions ainsi classées pourrait l’être avec une précision supérieure à 95%.

 

SUR LE MÊME THÈME

IA & Données
Des grands modèles de langage sensés participer à l'annotation des images pour le deep learning
Abonné(e)

Des grands modèles de langage sensés participer à l'annotation des images pour le deep learning

Incontournables pour l’entrainement des modèles de deep learning, les annotations d’images radiologiques sont rébarbatives et chronophages pour les experts qui les créent. Des grands modèles de langage (LLM) pourraient remplacer les annotations humaines, comme l’indique un article scientifique publi...

23/06/2025 -

IA & Données
Les bonnes pratiques pour l'évaluation de la pertinence d'un outil d'IA en imagerie
Abonné(e)

Les bonnes pratiques pour l'évaluation de la pertinence d'un outil d'IA en imagerie

Radiologues, informaticiens et chercheurs présentent, dans un article publié dans la Revue Radiology, les pièges et les meilleures pratiques pour atténuer les biais des modèles d'intelligence artificielle (IA) en imagerie médicale. Ils présentent une sorte de feuille de route pour des pratiques plus...

13/06/2025 -

IA & Données
Abonné(e)

Des LLM affinés pour aider à la relecture des comptes rendus

Selon une nouvelle étude publiée dans la Revue Radiology, un grand modèle de langage (LLM) améliorerait sensiblement la détection des erreurs dans les comptes rendus de radiologie. Les chercheurs ont utilisé des comptes rendus synthétiques et des données ciblées pour donner au LLM de la légèreté.

23/05/2025 -

IA & Données
Abonné(e)

Agir sur la vulnérabilité des grands modèles de langage en radiologie

Dans un nouvel article spécial publié dans la Revue Radiology, des chercheurs abordent les défis de cybersécurité liés aux grands modèles de langage (LLM). Ils soulignent l'importance de mettre en œuvre des mesures de sécurité pour empêcher leur utilisation malveillante dans le système de Santé et m...

21/05/2025 -

IA & Données
Abonné(e)

Une feuille de route pour atténuer les biais de l'IA

Les biais diagnostiques créés par l’IA relèvent d’un manque d’informations démographiques incluent dans les données de santé. Dans un article publié dans la Revue Radiology, des chercheurs américains décrivent l’importance d’une définition homogène décrivant les groupes démographiques. Un travail qu...

20/05/2025 -

IA & Données
Abonné(e)

Essais sur une RAG pour améliorer les grands modèles de langages en radiologie

Pour renforcer les attributs des grands modèles de langage appliqués à la radiologie, la RAG, qui code les informations dans un espace vectoriel pour affiner les tâches des LLM basées sur la connaissance, semble pertinente. Dans une étude publiée dans la Revue Radiology : Artificial intelligence, de...

05/05/2025 -

IA & Données

Le lexique radiologique standardisé RadLex fête ses vingt ans

RadLex, un lexique radiologique complet développé par la Radiological Society of North America (RSNA) destiné à proposer un langage commun pour communiquer les résultats diagnostiques par les radiologues, célèbre son 20e anniversaire en 2025.

22/04/2025 -

LETTRE D'INFORMATION

Ne manquez aucune actualité en imagerie médicale et radiologie !

Inscrivez-vous à notre lettre d’information hebdomadaire pour recevoir les dernières actualités, agendas de congrès, et restez informé des avancées et innovations dans le domaine.