Publicité

Le suivi oncologique optimisé par un logiciel dédié

Abonné(e)
14/01/2025
De Rédaction

Les limites du référentiel RECIST pour le suivi de certaines pathologies oncologiques conduisent à identifier de nouvelles pratiques. Une étude française publiée dans la Revue Research in Diagnostic and Interventional Imaging évalue un logiciel d’aide au diagnostic à partie de données TDM dans ce cadre. Des résultats prometteurs ressortent de ce travail qui peut permettre aux radiologues de gagner du temps dans leur pratique et de la précision dans le suivi.

Depuis les années 2000, les critères RECIST (Response Evaluation Criteria in Solid Tumors) établissent la définition des lésions cibles, le référentiel RECIST 1.1 de 2009 réduisant le nombre de lésions cibles à un maximum de cinq avec pas plus de deux par organe avec des détails sur la mesure des ganglions lymphatiques et des critères de réponse.

Les limites du référentiel RECIST pour le suivi de certaines pathologies oncologiques

Mais certaines limites, comme le choix subjectif des lésions cibles, la variabilité intra-observateur, l'évaluation subjective du diamètre maximal, de la netteté ou du flou des limites tumorales, ainsi que de la qualité de l'acquisition et de l'injection de contraste se font jour et sont source de variabilité. Enfin, les critères RECIST 1.1 ne sont pas adaptés au suivi de certaines pathologies ou à l'évaluation de nouveaux traitements locaux ainsi que des traitements systémiques modernes.

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
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 -

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 -

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.