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.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

05 Août

15:02

La Société de médecine nucléaire et d'imagerie moléculaire (SNMMI) publie ses recommandations pour la standardisation de la terminologie et des données en médecine nucléaire.

7:00

La plateforme d'IA, Gleamer et France Imageries Territoires (FIT) nouent un partenariat stratégique pour déployer une sélection des solutions Gleamer Copilot® au sein du réseau des centres d’imagerie de FIT, a annoncé Gleamer le 10 juillet.
04 Août

15:00

La cellule éthique du numérique en santé publie un guide pour intégrer l’éthique dans le développement et l’usage de l’IA en santé, en s’appuyant sur cinq principes clés : responsabilité, transparence, explicabilité, équité et proportionnalité. Cet outil vise à accompagner les acteurs du secteur vers une IA soutenable, humaine et conforme aux valeurs du soin et aux exigences du nouvel AI Act européen.

7:00

Dans un arrêté du 8 juillet 2025, le ministère de la Santé annonce une revalorisation temporaire des indemnités d’astreinte dans les hôpitaux publics et les EHPAD, pour la période comprise entre le 1er juillet 2025 et le 31 octobre 2025. Les indemnités forfaitaires pour une astreinte opérationnelle s’élèvent jusqu’à 67,19 € pour une nuit ou deux demi-journées et à 259,43 € pour les activités liées au fonctionnement des blocs opératoires.
Docteur Imago

GRATUIT
VOIR