L'IA pour trier les femmes éligibles au dépistage du cancer du sein par IRM
L’accès aux modalités d’IRM est difficile, c’est un fait établi, pour l’exploration complémentaire du dépistage du cancer du sein. Dans contexte, l’IA peut-elle être pertinente pour trier les mammographies et sélectionner les femmes éligibles à l’IRM ? Une étude publiée dans la Revue Radiology explore les avantages de cette solution en utilisant un score de suspicion mais les modèles d’IA sont à affiner afin qu’ils puissent identifier tous les types de cancers.
Le dépistage du cancer du sein complète parfois l’examen mammographique par une IRM mammaire pour les patientes les plus à risque. Pour obtenir une précision de détection optimale en effet, les recommandations internationales suggèrent ce complément pour les femmes présentant un risque à vie de 20% ou plus en fonction des antécédents familiaux.
Un accès difficile aux modalités d’IRM pour le complément au dépistage du cancer du sein
Le problème majeur, dans ce cas, est la disponibilité des modalités d’IRM. Dans une étude néerlandaise publiée dans la Revue Radiology, les chercheurs évoquent, aux Pays-Bas, un accès très compliqué à un dépistage IRM pour les femmes présentant un risque de cancer du sein compris entre 20 et 50%. Ils évoquent également des coûts de mise en œuvre élevés et une application incohérente des critères d’éligibilité dans la pratique clinique.
« Les preuves démontrant les avantages du dépistage par IRM dans ce sous-groupe de femmes s'accumulent, prévient l'auteure principale de l'étude, le Dr Suzanne van Winkel, infirmière autorisée, du Centre médical universitaire Radboud à Nimègue (Pays-Bas). L’IRM permet de détecter des cancers qui ne sont pas détectés par la mammographie et qui sont plus petits et plus souvent négatifs au niveau des ganglions lymphatiques. »
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.
Profitez de 15 jours d'essai gratuit pour découvrir tous nos contenus premium !
Déjà abonné ? Connectez-vous pour débloquer cet article.
SUR LE MÊME THÈME
Trouver le modèle qui puisse efficacement intégrer l'IA dans le flux de travail du radiologue
Le médecin-chercheur Eric J. Topol et le spécialiste en IA de Harvard, Pranav Rajpurkar plaident en faveur d'une séparation claire des rôles entre les systèmes d'IA et les radiologues dans un éditorial publié dans la Revue Radiology. Ils proposent un cadre que les radiologues doivent adapter à leurs...
28/08/2025 -
Un acteur français de l'IA propose deux outils TDM pour la détection du cancer
Gleamer, acteur française de l’IA médicale, a lancé en juillet dernier sa suite OncoView destinée à assister les radiologues dans la détection précoce du cancer par densitométrie (TDM).
22/08/2025 -
Un réseau de radiologues français conclut un accord avec un fournisseur d'IA pour le diagnostic
Gleamer a annoncé, le 10 Juillet 2025, la signature d’un partenariat stratégique avec le réseau France Imageries Territoires (FIT) pour le déploiement des solutions Gleamer Copilot® dans l’ensemble des centres d’imagerie du réseau FIT.
29/07/2025 -
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 -
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.