Imagerie thoracique

Un système de deep learning prédit la survie de patients opérés d’un cancer du poumon

En extrayant des informations de scanners thoraciques préopératoires, des médecins coréens ont testé un modèle de deep learning capable de prédire la survie sans maladie de patients opérés d’un cancer du poumon.

icon réservé aux abonnésArticle réservé aux abonnés
Le 15/06/20 à 7:00, mise à jour hier à 15:16 Lecture 2 min.

Dans leurs constatations, les auteurs indiquent que le statut tabagique et les résultats du modèle d'apprentissage profond « étaient les seuls facteurs de pronostic indépendants de la survie sans maladie des patients après la résection chirurgicale d'un adénocarcinome de stade I ». © Hyungjin Kim et coll. / Radiological Society of North America

Une équipe de chercheurs coréens a développé un modèle d’apprentissage profond basé sur les données de scanner préopératoire qui permettrait de prédire la survie sans maladie de patients atteints d’un adénocarcinome pulmonaire traité par chirurgie. Cette étude rétrospective menée par Hyungjin Kim, radiologue à la faculté de médecine de l’université de Séoul, est parue au mois de mai dans la revue Radiology [1].

Deux sets de données pour l’entraînement et la validation

Pour ces travaux, les chercheurs se sont appuyés sur deux ensembles de données : le premier a été utilisé pour entraîner l’algorithme, le second pour la validation externe. Pour l'ensemble de données 1, les patients éligibles étaient ceux qui avaient subi au moins une lobectomie pour un cancer du poumon. « Au total, 800 patients atteints d'adénocarcinomes pulmonaires réséqués entre janvier 2009 et décembre 2015 ont été identifiés rétrospectivement par une recherche dans les dossiers médicaux électroniques, détaillent les au

Il vous reste 73% 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

Carla Ferrand

Journaliste cheffe de rubrique

Voir la fiche de l’auteur

Bibliographie

  1. Hyungjin Kim, Jin Mo Goo, Kyung Hee Lee et coll., « Preoperative CT-based Deep Learning Model for Predicting Disease-Free Survival in Patients with Lung Adenocarcinomas », Radiology, 12 mai 2020, publication en ligne. DOI : 10.1148/radiol.2020192764.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

11 Juin

16:00

L’ASNR a été informée d’une erreur de radiothérapie, classée au niveau 2 de l’échelle ASN-SFRO, survenue en mars 2026 au CHU de Saint-Étienne (42). Une dose de 9 Gy destinée à une vertèbre atteinte d’une métastase a été administrée par erreur à la vertèbre voisine saine en raison d’un mauvais positionnement du patient.

13:00

Des modèles d’intelligence artificielle évalués pour la classification de la malignité des nodules pulmonaires au scanner thoracique ont montré une sensibilité élevée (88 %) mais une spécificité modérée (75 %), soutenant un rôle potentiel dans les stratégies d’exclusion d'un cancer pulmonaire étude).

9:30

Selon une étude publiée dans The Journal of Nuclear Medicine, un nouveau système de TEP-TDM à champ de vision à long axe (LAFOV), utilisant des détecteurs de 30 mm au germanate de bismuth (BGO) avec des photomultiplicateurs au silicium offre une qualité d’image supérieure à la TEP-TDM à champ de vision court-axial (SAFOV) malgré des réductions marquées du temps d’acquisition, avec des caractéristiques de bruit comparables sur plusieurs radiopharmaceutiques.
10 Juin

16:00

La TEP-TDM à grand champ de vue axial (LAFOV) offrirait une qualité d'image supérieure à celle de la TEP-TDM conventionnelle (SAFOV), malgré une réduction significative du temps d'acquisition, avec des caractéristiques de bruit comparables pour plusieurs produits radiopharmaceutiques (étude).
Docteur Imago

GRATUIT
VOIR