Optimisation du dépistage

Une nouvelle IA prédit le cancer du poumon jusqu’à 6 ans à partir d’un scanner thoracique

Un nouvel algorithme utilisant l'apprentissage profond prédit le risque de développer un cancer bronchopulmonaire dans les six ans suivant la réalisation d'un scanner thoracique. Il a fait l'objet d'une publication dans Journal of Clinical Oncology en janvier 2023.

icon réservé aux abonnésArticle réservé aux abonnés
Le 13/02/23 à 16:00, mise à jour aujourd'hui à 15:09 Lecture 2 min.

L'IA Sybil, validée sur trois cohortes indépendantes de patients, prédit le risque individuel de cancer du poumon à partir d'un scanner thoracique, avec une aire sous la courbe supérieure à 0,75 sur 6 ans (image d'illustration). D. R.

Un unique scanner thoracique basse dose, sans données cliniques associées ni annotations. C'est tout ce que nécessite Sybil, un nouveau modèle d'apprentissage profond, pour prédire le risque de développer un cancer du poumon chez différentes cohortes de sujets ayant participé à un dépistage du cancer bronchopulmonaire, d'après une étude rétrospective présentée en janvier 2023 dans Journal of Clinical Oncology [1].

Trois bases de données

Les chercheurs du Massachusetts Institute of Technology de Cambridge (États-Unis) et du Massachusetts General Hospital (MGH) de Boston (États-Unis) à l'origine de l'article ont entraîné puis validé Sybil sur des milliers de scanners thoraciques basse dose provenant de trois bases de données différentes : le dépistage au MGH (8 821 scanners basse dose dans la base de données de validation), le dépistage organisé national américain (6 282 examens), et le dépistage au Chang Gung Memorial Hospital (CGMH) à Taïwan (12 280 examens). Grâce à la sélection de suje

Il vous reste 71% 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. Mikhael P. G., Wohlwend J., Yala A. et coll., « Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography », Journal of Clinical Oncology, 12 janvier 2023. DOI : 10.1200/JCO.22.01345.

Spécialité médicale

Oncologie

Modalité d’imagerie

Scanner

Mots-clés

cancer du poumon apprentissage profond

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

02 Sep

16:40

L’analyse quantitative de la perfusion en IRM DCE fournirait une valeur diagnostique significative pour différencier le gliome diffus de la ligne médiane (DMG) et le glioblastome de la ligne médiane (mGBM), des tumeurs particulièrement agressives qui nécessitent des stratégies thérapeutiques distinctes, de manière non invasive chez les patients pédiatriques et les jeunes adultes. (Etude)

13:32

7:30

Selon une étude française, l'évaluation du profil de rehaussement tardif au gadolinium du septum interauriculaire et des parois auriculaires permettrait de mieux différencier l'amylose cardiaque de ses phénocopies.

7:00

01 Sep

16:52

L'échographie en mode B, l'élastographie par ondes de cisaillement (SWE) et l'imagerie microvasculaire Superb Microvascular Imaging (SMI) permettraient de différencier les tumeurs des tissus mous bénignes des tumeurs non bénignes. (Etude)

14:43

La classification O-RADS IRM montre une grande efficacité diagnostique dans le triage des masses annexielles, et l'intégration de courbe d'intensité semi-quantitative du rehaussement permettrait d'améliorer la spécificité et la valeur prédictive positive de l'IRM O-RADS (étude).
✕
Docteur Imago

GRATUIT
VOIR