Publicité

Un algorithme pour diagnostiquer le carcinome rénal à cellules claires au scanner

11/07/2022
De Bruno Benque avec AJR

Selon un article paru dans l'American Journal of Roentgenology (AJR), un algorithme de notation des tomodensitométries à 5 niveaux peut s’évérer un outil cliniquement utile pour le diagnostic du carcinome rénal à cellules claires (CRC) parmi les petites masses rénales solides (≤ 4 cm).

Une étude canadienne publiée dans l’American Journal of Roentgenology se propose d’évaluer un algorithme des images tomodensitométriques à 5 niveaux pour diagnostiquer le carcinome rénal à cellules claires (CRC).

Revue de différents critères scanographiques sur des masses rénales solides

« Un algorithme de tomodensitométrie rénale à 5 niveaux, comprenant le rapport d'atténuation corticomédullaire de la masse sur le cortex et le score d'hétérogénéité, présentait un accord inter-observateur substantiel, une ASC et une VPP modérées et une VPN élevée pour le diagnostic du CRC », commente le Dr Nicola Schieda du département d'imagerie médicale de l'Hôpital d'Ottawa - Canada -.

L'étude du Dr Schieda et ses collègues a inclus 148 patients (âge moyen, 58 ans ; 73 hommes, 75 femmes) avec 148 petites (≤ 4 cm) masses rénales solides (> 25 % de prise de contraste) ayant fait l’objet d’une tomodensitométrie (TDM) ciblant une masse rénale à des stades sans injection, corticomédullaire, et en phases néphrographiques, avant résection entre janvier 2016 et décembre 2019.

Un accord inter-observateur significatif pour un outil de diagnostic du CRC

Deux radiologues ont indépendamment évalué les TDM et enregistré la calcification, l'atténuation de la masse à toutes les phases, le rapport d'atténuation corticomédullaire masse sur cortex et le score d'hétérogénéité.

Cet algorithme a obtenu un accord inter-observateur substantiel (kappa pondéré = 0,71) et a atteint une ASC pour le diagnostic du CRC à cellules claires de 0,75 (IC à 95 % , 0,68-0,82) pour le lecteur 1 et 0,72 (IC à 95 %, 0,66-0,82) pour le lecteur 2. « S'il est validé, l’algorithme TDM peut représenter un outil clinique utile pour diagnostiquer le carcinome rénal à cellules claires », concluent les chercheurs.

SUR LE MÊME THÈME

Imagerie Abdominale
Des arguments solides pour élargir les applications de l'échographie de contraste
Abonné(e)

Des arguments solides pour élargir les applications de l'échographie de contraste

L’exploration des lésions hépatiques focales est le seul domaine où l’échographie de contraste est autorisée aujourd’hui. Pourtant, des applications non autorisées peuvent apporter un vrai bénéfice au patient. Dans un article publié dans la Revue European Radiology, des experts évoquent des indicati...

28/01/2026 -

Imagerie Abdominale
Dépistage du carcinome hépatocellulaire : les recommandations de l'AASLD v2023 montrent leur supériotité
Abonné(e)

Dépistage du carcinome hépatocellulaire : les recommandations de l'AASLD v2023 montrent leur supériotité

L’échographie fait preuve d’une faible sensibilité pour le dépistage du carcinome hépatocellulaire. De nouvelles recommandations de l'American Association for the Study of Liver Diseases (AASLD) sont parues en 2023. Elles ont été comparées à deux autres systèmes d’évaluation couramment utilisés. Ce...

23/01/2026 -

Imagerie Abdominale
Un modèle d'autosegmentation testé pour prédire la classification de Lauren du cancer gastrique à partir de la TDM
Abonné(e)

Un modèle d'autosegmentation testé pour prédire la classification de Lauren du cancer gastrique à partir de la TDM

Se servir de la radiomique pour prédire la classification de Lauren pré-opératoire du cancer gastrique à partir d’images de tomodensitométrie est pertinent mais chronophage. Un modèle d’autosegmentation a été testé dans une étude récente publiée dans la Revue European Radiology et a obtenu des résul...

30/12/2025 -

Imagerie Abdominale
Un modèle de deep learning pour mieux détecter les néoplasies gastriques par TDM
Abonné(e)

Un modèle de deep learning pour mieux détecter les néoplasies gastriques par TDM

Un nombre significatif de néoplasies gastriques passent inaperçues lors des examens TDM de routine, pour lesquels la segmentation par IA pourrait servir de second lecteur. Des chercheurs chinois ont décrit, dans la Revue Radiology, une approche dédiée basée sur le deep learning qu’ils ont développée...

26/12/2025 -

Imagerie Abdominale
L'IRM 7T comme alternative à l'histopathologie pour l'étude de la fibrose hépatique ex vivo
Abonné(e)

L'IRM 7T comme alternative à l'histopathologie pour l'étude de la fibrose hépatique ex vivo

L’IRM haut champ pourrait potentiellement servir à l’exploration de la fibrose hépatique ex vivo. Une étude française publiée dans la Revue European Radiology compare un échantillon hépatique étudié par histopathologie et par IRM 7T. Les résultats sont jugés comparables et montrent la pertinence de...

12/12/2025 -

Imagerie Abdominale
L'IRM abdominale en respiration libre évolue encore en pédiatrie
Abonné(e)

L'IRM abdominale en respiration libre évolue encore en pédiatrie

Les techniques d’acquisition IRM abdominale évoluent significativement pour éviter de sédater les enfants. Une étude allemande publiée dans la Revue European Radiology compare des séquences T1w radiales dynamiques en respiration libre à un protocole conventionnel dynamique avec injection. Cette tech...

10/12/2025 -

Imagerie Abdominale
Des chercheurs américains découvrent un biomarqueur TDM du stress chronique
Abonné(e)

Des chercheurs américains découvrent un biomarqueur TDM du stress chronique

Grâce à un modèle de deep learning qui identifie un indice de volume surrénalien en tomodensitométrie, des chercheurs ont identifié un biomarqueur inédit du stress chronique. Ils présenteront leur étude lors du congrès annuel de la Radiological Society of North America (RSNA).

28/11/2025 -

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.