Publicité

Le deep learning supérieur aux modèles classiques d'évaluation des risques de cancer du sein

Abonné(e)
13/06/2023
De Bruno Benque avec RSNA

Dans une vaste étude portant sur des milliers de mammographies, les algorithmes d'intelligence artificielle (IA) ont surpassé le modèle de risque clinique standard pour prédire le risque de cancer du sein sur cinq ans. Les résultats de cette étude ont été publiés dans la Revue Radiology.

Le risque de cancer du sein chez une femme est généralement calculé à l'aide de modèles cliniques tels que le modèle de risque du (BCSC), qui utilise des informations autodéclarées ainsi que des données relatives à l'âge, aux antécédents familiaux, à la maternité ou à la structure histologique des seins, pour calculer un score de risque.

Des modèles de deep learning pour calculer le risque de cancer du sein

Une équipe américaine a expérimenté un modèle de deep learning dans le but de calculer ce risque de manière différente. Ce travail a été publié dans la Revue Radiology. « Les modèles de risque clinique dépendent de la collecte d'informations provenant de différentes sources, qui ne sont pas toujours disponibles ou collectées, précise le chercheur principal le Pr Vignesh A. Arasu, chercheur et radiologue en exercice au Kaiser Permanente Northern California. Les progrès récents du deep learning nous permettent d'extraire des centaines, voire des milliers de caractéristiques mammographiques supplémentaires. »

Dans cette étude rétrospective, le Pr Arasu a utilisé des données associées à des mammographies de dépistage 2D négatives réalisées au Kaiser Permanente Northern California en 2016. Sur les 324 009 femmes dépistées en 2016 qui répondaient aux critères d'éligibilité, une sous-cohorte aléatoire de 13 628 femmes a été sélectionnée pour l'analyse. De plus, les 4 584 patientes du groupe d'éligibilité qui ont reçu un diagnostic de cancer dans les cinq ans suivant la mammographie initiale de 2016 ont également été étudiées. Toutes les femmes ont été suivies jusqu'en 2021.

Accédez à l'intégralité de cet article

Cet article est réservé aux abonnés. Connectez-vous pour y accéder.

En vous abonnant à Thema Radiologie, vous débloquez l’accès à l’ensemble de nos contenus premium : dossiers thématiques, tribunes d’experts, analyses technologiques, interviews et décryptages réglementaires.

Rejoignez une communauté de professionnels engagés dans l’innovation en imagerie médicale et radiologie interventionnelle.

SUR LE MÊME THÈME

IA & Données
Les comptes rendus radiologiques ne sont pas près de passer par GPT-4
Abonné(e)

Les comptes rendus radiologiques ne sont pas près de passer par GPT-4

Les grands modèles de langage multimodaux seraient-ils capables de réaliser des comptes rendus radiologiques ? Des résultats d’essais contradictoires troublent le ressenti sur les possibilités de GPT-4V, un modèle qui se concentre uniquement sur la précision diagnostique. Une étude publiée dans la R...

21/07/2025 -

IA & Données
Un nouvel outil d'extraction de données spécialisé en radiologie

Un nouvel outil d'extraction de données spécialisé en radiologie

Les méthodes d’élaboration des grands modèles de langage sont basées sur des règles qui ne traitent pas efficacement les données non standardisées. Des chercheurs britanniques présentent, dans un article publié dans la Revue European Radiology, RADEX, le nouvel outil d’extraction de données radiolog...

15/07/2025 -

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 -

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.