Scanner thoracique

Le deep learning montre ses performances pour la segmentation des lésions pulmonaires multiples

Un système de segmentation de lésions multiples du cancer du poumon basé sur l'apprentissage profond a été mis au point et évalué par une équipe de chercheurs espagnols. Développé à partir de données réelles multicentriques, le système affiche une sensibilité de détection des lésions de 85 %.

icon réservé aux abonnésArticle réservé aux abonnés
Le 14/11/25 à 15:00, mise à jour le 27/11/25 à 17:37 Lecture 2 min.

Les cas issus de l'ensemble de données externes montrent les lésions prédites par la méthode de deep learning (en bleu) et les lésions réelles (en rouge). X. Rafael-Palou et coll. / European Radiology Experimental (2025) / CC BY 4.0

En Espagne, une équipe constituée de chercheurs de l’hôpital universitaire La Fe à Valence et de data scientists de la société d’intelligence artificielle Qibim ont réalisé une étude [1] sur la segmentation des lésions multiples du cancer du poumon. « Une segmentation précise des lésions du cancer du poumon au scanner est essentielle pour un diagnostic précis, une planification thérapeutique personnalisée et une évaluation de la réponse au traitement », rappellent-ils dans leur étude publiée au mois d’août dans la revue European Radiology Experimental. Depuis plusieurs années, des outils automatisés de segmentation des lésions pulmonaires intégrés au flux de travail radiologique ont été développés et étudiés, « mais la capacité à segmenter plusieurs lésions par patient reste sous-explorée », constatent-ils.

1 081 scanners collectés

Dans cette optique de recherche, les scientifiques espagnols ont voulu mettre au point une méthode automatisée basée sur l’apprentissage profond pour la segme

Il vous reste 70% 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

Carla Ferrand

Journaliste cheffe de rubrique

Voir la fiche de l’auteur

Bibliographie

  1. Rafael-Palou X, Jimenez-Pastor A, Martí-Bonmatí L, et al (2025). Advancing deep learning-based segmentation for multiple lung cancer lesions in real-world multicenter CT scans. Eur Radiol Exp 9:78. https://doi.org/10.1186/s41747-025-00617-7

Spécialité médicale

Oncologie Pneumologie

Modalité d’imagerie

Scanner

Mots-clés

intelligence artificielle cancer du poumon

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

15 Juil

16:00

Evolucare devient le premier éditeur référencé sur les deux volets du couloir Imagerie du Ségur avec son RIS Evolucare Imaging®, après le référencement Ségur de sa DRIMbox, annonce un communiqué de la société.

15:00

13:34

La consommation énergétique en IRM est principalement liée à l’utilisation des gradients, les séquences ep2D DWI et DTI étant les plus énergivores. Le choix de séquences moins consommatrices, dans un contexte clinique approprié, peut réduire la consommation d’énergie par séquence de 20 à 49 % (étude).

7:31

Une méta-analyse de 23 études démontre que la TEP-TDM au [18F]FDG et l’IRM pelvienne présentent une sensibilité comparable pour la détection des métastases ganglionnaires latérales dans le cancer du rectum. En revanche, la TEP-TDM au [18F]FDG peut aider à exclure les faux positifs, évitant ainsi les dissections latérales des ganglions lymphatiques et la morbidité associée.

7:00

13 Juil

17:51

Des modèles d’apprentissage profond ont montré des performances diagnostiques comparables ou meilleures que celles des médecins expérimentés pour la détection du cancer du pancréas sur des examens de scanner, rapporte une étude présentée dans Radiology.
✕
Docteur Imago

GRATUIT
VOIR