Radiomique

Une publication compare les algorithmes d’apprentissage profond les plus utiles en radiomique

Un article écrit par des radiologues et statisticiens français et paru le 28 août 2023 dans Scientific Reports a cherché à identifier les algorithmes d'apprentissage profond les plus efficaces en radiomique, en utilisant différentes bases de données d'imagerie.

icon réservé aux abonnésArticle réservé aux abonnés
Le 21/12/23 à 15:00 Lecture 2 min.

Les auteurs de l'étude ont testé 9 algorithmes de sélection de caractéristiques et 14 algorithmes de classification binaire, soit 126 combinaisons d’algorithmes d'apprentissage profond en radiomique testées et entraînées pour déterminer leur performance, via leur aire sous la courbe ROC (image d'illustration). D. R.

Définissable comme l’exploration de grandes quantités d’images radiologiques par des méthodes algorithmiques afin d’en extraire des caractéristiques statistiques cachées aux yeux des radiologues, la radiomique attire particulièrement les vendeurs d'IA et les radiologues, au vu des rapides progrès de l'intelligence artificielle. Toutefois, la recherche dans ce domaine n'est pas encore stabilisée et la radiomique n'a pas encore atteint la clinique, en partie par manque d'une méthodologie standardisée.

126 combinaisons d'algorithmes testées

Afin de pallier le manque de recommandations concernant les algorithmes d’apprentissage profond à utiliser en radiomique, des radiologues et statisticiens français ont testé 9 algorithmes de sélection de caractéristiques et 14 algorithmes de classification binaire, soit 126 combinaisons d’algorithmes d'apprentissage profond de radiomique. Chacun de ces algorithmes a ensuite été entraîné, puis testé trois fois pour déterminer ses performances via l'ai

Il vous reste 67% 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. Decoux A., Duron L., Habert P. et coll., « Comparative performances of machine learning algorithms in radiomics and impacting factors », Scientific Reports, 28 août 2023. DOI : 10.1038/s41598-023-39738-7.

Mots-clés

radiomique algorithmes apprentissage profond

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

17 Avr

16:34

Un centre d’imagerie médicale « de pointe » ouvrira en 2027 à Valence-d’Agen (Tarn-et-Garonne), informe ladepeche.fr

14:33

Une revue systématique publiée dans Radiography conclut au fort potentiel de l’utilisation du jumeau numérique en IRM, notamment en cardiologie et en oncologie, malgré des limites dans les domaines de la formation, de la sécurité et de l’intégration opérationnelle.

7:12

Une étude publiée dans Radiography analyse l’utilisation du modèle d’apprentissage profond Att-U-Net pour segmenter les tissus pulmonaires et les tumeurs à partir d’images PET-CT, afin d’améliorer le diagnostic du cancer du poumon. Les résultats montrent de bonnes performances (DSC 0,81 et IoU 0,69), suggérant que ce modèle pourrait renforcer la précision clinique et faciliter la planification des traitements.

7:00

16 Avr

15:41

Mount Sinai est le premier au monde à utiliser le système TheraSphere™ Y-90 « Any Day Dosing », un traitement mini-invasif qui délivre directement des radiations aux tumeurs du foie via le sang. Cette innovation permet de traiter les patients plus rapidement et plus souvent dans la semaine, améliorant ainsi l’accès aux soins et réduisant les délais, annonce un communiqué. 

13:16

Une revue systématique et méta-analyse démontre que la mammographie avec contraste (CEM) présente une très forte valeur prédictive négative pour les asymétries non rehaussées, avec un risque de cancer extrêmement faible. En revanche, la présence de rehaussement est fortement associée à la malignité et permet d’améliorer la stratification du risque.
✕
Docteur Imago

GRATUIT
VOIR