Aide au pronostic

Une IA améliore l’évaluation des tumeurs ovariennes par les jeunes radiologues

Des chercheurs taïwanais ont développé un algorithme aidant à différencier tumeurs de l'ovaire bénignes et malignes. Leur IA se base sur des données cliniques, ainsi que sur des données radiomiques et des caractéristiques extraites par apprentissage profond d'images de scanner.

icon réservé aux abonnésArticle réservé aux abonnés
Le 01/06/23 à 15:00, mise à jour le 11/09/23 à 13:24 Lecture 2 min.

L'IA développée par l'équipe du Dr Wu associe données cliniques, informatiques et radiomiques pour différencier tumeurs ovariennes malignes et bénignes (image d'illustration). D. R.

Le cancer de l'ovaire est le cancer gynécologique le plus mortel, et sa prise en charge précoce par ablation améliore son taux de survie. Cependant, 28 % des ovariectomies seraient réalisées pour des tumeurs bénignes, entraînant des risques à long terme non négligeables chez les femmes opérées à tort : baisse de la fertilité, ménopause précoce, etc. [1]. Afin d’aider les radiologues à distinguer le mieux possible cancers malins et bénins de l'ovaire, des médecins taïwanais ont développé un algorithme d'intelligence artificielle utilisant des données radiomiques extraites de scanners. Leurs résultats sont parus le 24 avril 2023 dans Insights into Imaging [2].

Près de 200 tumeurs ovariennes

Les auteurs ont rétrospectivement enrôlé 149 patientes du MacKay Memorial Hospital de Taipei (Taïwan) présentant en tout 185 tumeurs ovariennes visibles sur des scanners avec rehaussement de contraste et confirmées par anatomopathologie. 129 tumeurs (dont 54 malignes) de 104 patientes ont servi de donné

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

François Mallordy

Journaliste rédacteur spécialisé

Voir la fiche de l’auteur

Bibliographie

  1. Moore B. J., Steiner C. A., Davis H. et coll., « Statistical brief #214 Trends in hysterectomies and oophorectomies in hospital inpatient and ambulatory settings, 2005-2013 », Healthcare Cost and Utilization Project (HCUP) Statistical Briefs [Internet], novembre 2016. https://www.ncbi.nlm.nih.gov/books/NBK409175/. Site consulté le 1er juin 2023.
  2. Jan Y.-T., Tsai P.-S., Huang W.-H. et coll., « Machine learning combined with radiomics and deep learning features extracted from CT images: a novel AI model to distinguish benign from malignant ovarian tumors », Insights Into Imaging, 2023, vol. 14, n° 68. DOI : 10.1186/s13244-023-01412-x.

Spécialité médicale

Oncologie Imagerie de la femme

Modalité d’imagerie

Scanner

Mots-clés

radiomique intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

27 Fév

17:51

Une revue systématique et méta-analyse a évalué la performance de l'IA pour la détection des épanchements du coude en radiographie. Les résultats montrent une sensibilité et une spécificité élevées et comparables entre l’IA et les médecins, sans différence significative.

17:49

Une étude conclut que l'angiomammographie constitue une alternative viable à l’évaluation de l'atteinte du complexe mamelon-aréolaire dans le cancer du sein, en particulier dans les cas de contre-indications à l’IRM.

17:09

Une revue, analysant 10 ans de littérature sur la neuroradiologie en pédiatrie et fœtale sur l’IA, conclu que les collaborations interinstitutionnelles continues peuvent faciliter l’intégration de l’IA dans la neuroradiologie pédiatrique, en complétant les radiologues et en améliorant les soins pédiatriques.

15:00

7:00

26 Fév

15:23

Une revue narrative analyse l’état actuel de l’intelligence artificielle en neuroradiologie pédiatrique et fœtale, en mettant en évidence ses performances prometteuses en segmentation, détection, classification et pronostic, notamment grâce à l’apprentissage profond. Malgré ces avancées, son adoption clinique demeure limitée en raison de coûts élevés, du manque de grandes bases de données pédiatriques et de défis éthiques et réglementaires, nécessitant des efforts collaboratifs pour favoriser son intégration sécurisée.  
✕
Docteur Imago

GRATUIT
VOIR