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

mammographie apprentissage profond intelligence artificielle dépistage du cancer du sein

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

19 Déc

15:09

Face à l'adoption du PLFSS par l'Assemblée national le 16 décembre dernier, les syndicats de médecins appellent à une mobilisation générale de la médecine libérale début janvier et à une grande manifestation à Paris, le samedi 10 janvier pour dénoncer des mesures qu'ils jugent dangereuses pour le système de santé et la santé des citoyens.

15:00

13:14

La radiomique hypothalamique combinée à des caractéristiques cliniques offre une approche exploratoire prometteuse pour prédire l’apnée obstructive du sommeil (AOS), indique une étude dont les résultats mettent en lumière le potentiel de la radiomique pour identifier les changements hypothalamiques associés à l’AOS.

7:08

La biopsie pulmonaire guidée par scanner assistée par laser améliore le succès de la première ponction, l’efficacité de la procédure et la sécurité par rapport à l’approche conventionnelle, indique une étude parue dans Radiography. Toutefois, ces résultats nécessitent une confirmation par des essais contrôlés randomisés multicentriques plus larges.

7:00

18 Déc

15:12

Les thérapies ciblées moléculaires occupent une place croissante en oncologie, notamment avec l’émergence de la nectine-4, un antigène tumoral surexprimé dans plusieurs cancers et particulièrement pertinent dans le carcinome urothélial. Une revue parue dans JNM synthétise les avancées récentes en théranostique moléculaire ciblant la nectine-4, en mettant en évidence le développement de radiotraceurs spécifiques offrant des performances diagnostiques comparables ou supérieures aux méthodes d’imagerie standard.
✕
Docteur Imago

GRATUIT
VOIR