Aide à la décision

L’essor des nouveaux biomarqueurs en imagerie médicale

Les progrès techniques, et notamment le développement de l’intelligence artificielle, ont stimulé le développement de nouveaux biomarqueurs en imagerie médicale. Lors d’une session des JFR 2020, trois spécialistes ont décrit leurs principes, leur fonctionnement, leurs apports mais aussi leurs limitations, en invitant les radiologues à les utiliser en connaissance de cause.

icon réservé aux abonnésArticle réservé aux abonnés
Le 21/01/21 à 16:00, mise à jour aujourd'hui à 15:13 Lecture 5 min.

« Le biomarqueur doit être discriminant, quantitatif, c’est-à-dire mesurable objectivement, et, dans le cas de l’imagerie, extrait de l’image », indique Antoine Ianessi. capture d'écran JFR 2020

Avec le développement des logiciels d’aide au diagnostic, les biomarqueurs d’imagerie jouent un rôle de plus en plus important dans le travail des radiologues. Samedi 3 octobre 2020, une session des Journées francophones de radiologie (JFR) 2020 a détaillé le principe et le fonctionnement de ces outils.

Une caractéristique biologique objective

Un biomarqueur est une caractéristique biologique objective, qui mesure un état physiologique, pathologique, ou la réponse à un traitement. C’est une information qui permet de vérifier et formuler des hypothèses diagnostiques, a d’abord rappelé Antoine Iannessi, radiologue au centre Antoine-Lacassagne, à Nice (06). « Cette information doit être discriminante, quantitative, c’est-à-dire mesurable objectivement, et, dans le cas de l’imagerie, extraite de l’image. On parle alors de biomarqueur d’imagerie quantitative », poursuit-il. Un biomarqueur discriminant améliore le signal sensoriel fourni par l’image et facilite le processus décisionnel du radi

Il vous reste 87% 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

Jérome Hoff

Rédacteur en chef adjoint BOM Presse Clichy

Voir la fiche de l’auteur

Bibliographie

  1. Berenguer R., del Rosario Pastor-Juan M., Canales Vázquez et coll., « Radiomics of CT features may be nonreproductible and redundant: Influence of CT acquisition parameters », Radiology, août 2018, vol. 288, n° 2, p. 407-415. DOI : 10.1148/radiol.2018172361
  2. Rodriguez-Ruiz A., Krupinski E., Mordang J.-J. et coll., « Detection of Breast cancer with mammography: Effects of an artificial intelligence support system », Radiology, 2019, vol. 290, n° 2. DOI : 10.1148/radiol.2018181371.
  3. Pacilè S., Lopez J., Chone P. et coll., « Improving breast cancer detection accuracy of mammography with the concurrent use of an artificial intelligence tool », Radiology : Artificial Intelligence, novembre 2020, vol. 2, n° 6. DOI : 10.1148/ryai.2020190208.

Discussion

Aucun commentaire

Laisser un commentaire

Le fil Docteur Imago

10 Avr

15:32

Un modèle d’IA à apprentissage profond montre un potentiel en tant qu’outil de dépistage opportuniste de la santé osseuse chez les enfants, selon une étude publiée dans Radiology.

13:14

Les événements de sécurité des patients en radiologie représentent une faible proportion des incidents (3,2 %), mais révèlent des vulnérabilités importantes, notamment chez les enfants et les personnes âgées, avec un risque élevé lié aux médicaments et aux produits de contraste, selon une étude publiée dans Current Problems in Diagnostic Radiology

7:13

Les patientes atteintes d’un cancer du sein qui développent un dysfonctionnement cardiaque lors d’une chimiothérapie néoadjuvante subissent également une perte de tissu cérébral significativement plus importante que celles dont la fonction cardiaque reste stable, selon une étude publiée dans Academic Radiology.
09 Avr

16:21

Une étude multicentrique publiée dans European Radiology montre qu’un modèle de deep learning combinant nnU-Net et ConvNeXt-tiny permet d’évaluer avec précision l’invasion musculaire dans le cancer de la vessie à partir d’IRM, avec des performances élevées et stables.
Docteur Imago

GRATUIT
VOIR