Lecture des mammographies

Un réentraînement local par transfer learning améliore les performances d’un algorithme développé aux États-Unis

icon réservé aux abonnésArticle réservé aux abonnés
Le 15/07/24 à 7:00

Cette étude rétrospective réalisée par des chercheurs australiens avait pour objectif d’évaluer les difficultés à rendre ces modèles d’apprentissage profond généralisables et réplicables (photo d'illustration). D. R.

En utilisant l’apprentissage par transfert (transfer learning), des chercheurs australiens sont parvenus à améliorer les performances sur les données locales d’un modèle d’apprentissage profond entraîné à l’université de New-York sur des données étasuniennes pour le dépistage du cancer du sein. Ils présentent les résultats de leurs travaux dans le revue Radiology: Artificial Intelligence [1]

Trois approches

Pour leur étude rétrospective, ils ont utilisé les examens de mammographie de patientes présentant des lésions prouvées par biopsie ou pathologie chirurgicale, et ceux de cas témoins appariés selon l’âge, réalisés dans le cadre d’un programme public de dépistage par mammographie numérique dans la région d’Australie-Méridionale. Ils ont appliqué l’algorithme new-yorkais à ces données en utilisant trois approches : sans réentrainement, avec réentraînement à partir de zéro et avec réentraînement selon la méthode d’apprentissage par transfert.

Des performances plus proches de l’origi

Il vous reste 59% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

Solenn Duplessy

Voir la fiche de l’auteur

Bibliographie

  1. Condon J. J. J., Trinh V., Hall K. A. et al, « Impact of Transfer Learning Using Local Data on Performance of a Deep Learning Model for Screening Mammography », Radiology: Artificial Intelligence, mai 2024, vol. 6, n° 4. DOI : 10.1148/ryai.230383.

Spécialité médicale

Imagerie de la femme

Mots-clés

intelligence artificielle dépistage du cancer du sein mammographie apprentissage profond

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

16 Jan

13:27

Vidi Capital finalise son rapprochement avec le groupe IMAC à Cholet, qui rejoint le réseau. Cette opération porte à 110 le nombre de médecins en exercice, répartis au sein de sept entités et IMAC devient ainsi le deuxième groupe des Pays-de-la-Loire à s’adosser à Vidi Capital, après Vidi – Rad’Yon, annonce un communiqué de presse.

7:13

Bayer a annoncé la conclusion d’accords définitifs pour l’acquisition auprès d’Attralus de deux agents d’imagerie moléculaire expérimentaux, AT-01 et AT-05, destinés au diagnostic de l’amyloïdose cardiaque. Cette opération stratégique renforce la position de Bayer dans l’imagerie moléculaire et s’inscrit dans le développement de sa stratégie de cardiologie de précision, annonce un communiqué.

7:00

15 Jan

15:14

Les élections de l’European Society of Radiology (ESR) se tiendront du 8 au 21 janvier 2026. Deux candidates soutenues par la SFR, les professeurs Isabelle Thomassin-Naggara et Corinne Balleyguier, présentent leur candidature. Les radiologues français membres de l’ESR sont appelé à se mobiliser en votant par courriel : voting@polyas.com.

13:13

Bien que les unités mobiles de mammographie puissent améliorer l’accès aux soins pour des populations médicalement défavorisées, une étude pilote publiée dans Academic Radiology, met en lumière des opportunités pour promouvoir un suivi rapide et équitable des mammographies de dépistage anormales grâce à une meilleure navigation des patients, un soutien social et une aide financière.

7:11

Stéphanie Rist, la ministre de la santé, a présenté une stratégie nationale pour lutter contre la désinformation médicale. Elle prévoit notamment la création d’un observatoire de la désinformation en santé et d’un dispositif d’infovigilance afin de répondre plus rapidement aux fausses informations
✕
Docteur Imago

GRATUIT
VOIR