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

17 Avr

16:34

Un centre d’imagerie médicale « de pointe » ouvrira en 2027 à Valence-d’Agen (Tarn-et-Garonne), informe ladepeche.fr

14:33

Une revue systématique publiée dans Radiography conclut au fort potentiel de l’utilisation du jumeau numérique en IRM, notamment en cardiologie et en oncologie, malgré des limites dans les domaines de la formation, de la sécurité et de l’intégration opérationnelle.

7:12

Une étude publiée dans Radiography analyse l’utilisation du modèle d’apprentissage profond Att-U-Net pour segmenter les tissus pulmonaires et les tumeurs à partir d’images PET-CT, afin d’améliorer le diagnostic du cancer du poumon. Les résultats montrent de bonnes performances (DSC 0,81 et IoU 0,69), suggérant que ce modèle pourrait renforcer la précision clinique et faciliter la planification des traitements.

7:00

16 Avr

15:41

Mount Sinai est le premier au monde à utiliser le système TheraSphere™ Y-90 « Any Day Dosing », un traitement mini-invasif qui délivre directement des radiations aux tumeurs du foie via le sang. Cette innovation permet de traiter les patients plus rapidement et plus souvent dans la semaine, améliorant ainsi l’accès aux soins et réduisant les délais, annonce un communiqué. 

13:16

Une revue systématique et méta-analyse démontre que la mammographie avec contraste (CEM) présente une très forte valeur prédictive négative pour les asymétries non rehaussées, avec un risque de cancer extrêmement faible. En revanche, la présence de rehaussement est fortement associée à la malignité et permet d’améliorer la stratification du risque.
✕
Docteur Imago

GRATUIT
VOIR