Quand IRM et IA permettent de caractériser les sous-types moléculaires HER2
La caractérisation HER2 des lésions mammaires peut différer selon la méthode de biopsie utilisée. Du deep learning radiomique appliqué à l’IRM multiparamétrique est capable d’identifier les sous-types moléculaires, ce qu’une étude publiée dans l'American Journal of Roentgenology (AJR) tente de confirmer, notamment en expliquant la méthodologie d’identification des sous-types moléculaires par deep learning radiomique.
La prise en charge actuelle du cancer du sein se concentre principalement sur les caractéristiques pathologiques traditionnelles, en mettant l'accent sur l'expression du récepteur des œstrogènes (ER), du récepteur de la progestérone (PR) et de HER2.
Une caractérisation HER2 pouvant différer selon la méthode de biopsie
L'expression de HER2, évaluée par coloration immunohistochimique (IHC) et hybridation fluorescente in situ (FISH), classe les lésions en HER2-négatif, générant des traitements en fonction de leurs statuts ER, HER2-positif ou HER2-low, de plus en plus reconnu comme un nouveau sous-type moléculaire du cancer du sein avec caractéristiques biologiques uniques.
Mais il se trouve que l'expression de HER2 déterminée par biopsie à l'aiguille peut ne pas correspondre à celle déterminée par biopsie chirurgicale en raison d'un biais d'échantillonnage, ce qui entrainerait des résultats sous-optimaux en termes de traitement. En conséquence, un outil non invasif précis pour une classification complète de l’expression de HER2 à trois niveaux (HER2-zéro, HER2-faible, HER2-positif) reste nécessaire.
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
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 -
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 -
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 -
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 -
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 -
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 -
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.