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.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

26 Mai

16:00

La Société française de radiologie (SFR) annonce former 1 340 radiologues au dépistage du cancer du poumon dans le cadre du programme IMPULSION (Lire notre dossier).

14:00

L’ASNR annonce le lancement d'une campagne d’inspection en radiologie pédiatrique et propose aux professionnels de santé une grille d’autoévaluation "pour renforcer la culture de radioprotection".

12:13

L'histologie et les paramètres de cartographie T1 en IRM sont efficaces pour évaluer l'étendue de la fibrose myocardique, associée à l'insuffisance cardiaque, chez les patients hypertendus. Étude.
25 Mai

16:34

 Sur plus de 30 000 examens, un outil d'intelligence artificielle autorisé par la Food and Drug Administration pour la détection de l'embolie pulmonaire en angioscanner a fait preuve d'une forte concordance avec les radiologues et a apporté une contribution significative lors des réévaluations en cas de divergence. Des divergences entre médecins et IA ont toutefois été relevées. Étude.
Docteur Imago

GRATUIT
VOIR