Apprentissage profond

Un algorithme prédit la malignité du cancer du sein aussi bien que le radiologue

Une équipe d'IBM a développé un outil qui s'appuie sur les mammographies numériques et le dossier médical des patientes. Objectif : prédire la malignité des biopsies et différencier les dépistages normaux des pathologiques.

icon réservé aux abonnésArticle réservé aux abonnés
Le 26/08/19 à 7:00, mise à jour aujourd'hui à 15:16 Lecture 1 min.

L'algorithme s’est basé sur un ensemble de données comprenant les images mammographiques et les dossiers de santé électroniques (photo d'illustration). © Carla Ferrand

Encore un exemple du potentiel de l’intelligence artificielle dans le domaine de l’aide au diagnostic. Une équipe du centre de recherche d’IBM, à Haifa, associée à plusieurs laboratoires et établissements de santé israéliens, a développé un modèle qui permettrait de prédire l’évolution à un an du cancer du sein malin, avec une précision comparable à celle des radiologues. Les résultats de ses travaux sont parus en juin 2019 dans Radiology [1]

52 936 images recueillies

Cette étude rétrospective a inclus 52 936 images recueillies chez 13 234 femmes ayant passé au moins une mammographie entre 2013 et 2017, et qui avaient un dossier médical depuis au moins un an avant cet examen. L'algorithme a été formé pour prédire la malignité de la biopsie et différencier les examens de dépistage normaux des examens anormaux. Il s’est basé sur un ensemble de données comprenant les images mammographiques et les dossiers de santé électroniques.

Une sensibilité de 87 % pour la malignité

L'algorithme a été val

Il vous reste 55% 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

Avatar photo

Benjamin Bassereau

Directeur de la rédaction BOM Presse Clichy

Voir la fiche de l’auteur

Bibliographie

  1. Akselrod-Ballin A., Chorev M. et coll., « Predicting Breast Cancer by Applying Deep Learning to Linked Health Records and Mammograms », Radiology, publié en ligne le 18 juin 2019. DOI : 10.1148/radiol.2019182622

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.
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