Publicité

Un réseau de neurones profonds pour améliorer le diagnostic de cancer du poumon

13/11/2019
De Bruno Benque avec RSNA

Selon des recherches publiées dans la revue Radiology, les radiologues assistés par un logiciel basé sur le deep learning étaient plus en mesure de détecter les cancers du poumon malins sur radiographies du thorax.

L’intelligence artificielle appliquée à la recherche de cancer du poumon a fait l’objet d’une étude publiée dans la Revue Radiology et conduite par le Dr Byoung Wook Choi, professeur à l'Université de médecine de Yonsei, et radiologue cardiothoracique. dans le département de radiologie de l’Université Yonsei à Séoul (Corée).

Un réseau de neurones profonds pour aider le radiologue

"La sensibilité moyenne des radiologues a été améliorée de 5,2% lorsqu'ils ont revu les radiographies avec le logiciel de deep learning, précise-t-il. Dans le même temps, le nombre de faux positifs par image a été réduit." Selon le Dr Choi, les caractéristiques des lésions pulmonaires, notamment leur taille, leur densité et leur localisation, compliquaient la détection des nodules pulmonaires sur les radiographies thoraciques. Cependant, les méthodes d'apprentissage automatique, dont la mise en œuvre de réseaux de neurones à convolution profonde (DCNN), ont permis d'améliorer leur détection. Un DCNN, dont l’architecture rappelle la structure du cerveau, utilise plusieurs couches et motifs cachés pour classifier les images.

Dans cette étude rétrospective, les radiologues ont sélectionné au hasard 800 radiographies du thorax au total, provenant de quatre centres participants, parmi lesquels 200 examens normaux et 600 avec au moins un nodule pulmonaire malin confirmé par tomodensitométrie ou par examen anatomo-pathologique. Il y avait 704 nodules malins confirmés dans les radiographies de cancer du poumon (78,6% des cancers primitifs du poumon et 21,4% des métastases). La majorité (56,1%) des nodules mesuraient entre 1 cm et 2 cm, tandis que 43,9% mesuraient entre 2 cm et 3 cm.

Une sensibilité nettement améliorée

Un deuxième groupe de radiologues, comprenant trois de chaque établissement, a interprété les radiographies thoraciques sélectionnées avec et sans nodules cancéreux. Les lecteurs ont ensuite relu les mêmes examens à l'aide du logiciel DCNN, formé à la détection des nodules pulmonaires. La sensibilité moyenne, ou la capacité de détecter un cancer existant, s'est nettement améliorée, passant de 65,1% pour les radiologues en lecture seule à 70,3% avec l'aide du logiciel DCNN. Le nombre de faux positifs a également baissé avec l'aide du logiciel.

"Les logiciels de détection assistée par ordinateur pour détecter les nodules pulmonaires n'ont pas été largement acceptés et utilisés en raison du nombre élevé de taux de faux positifs, même s'ils offrent une sensibilité relativement élevée, conclut le Dr Choi. Le logiciel DCNN pourrait être une solution pour réduire le nombre de faux positifs."

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.