Scanner thoracique

Comment utiliser les outils de détection et de segmentation des nodules pulmonaires ?

icon réservé aux abonnésArticle réservé aux abonnés
Antoine Khalil Aujourd'hui à 15:00 Lecture 9 min.

Résumé

Les outils d’intelligence artificielle fondés sur le deep learning améliorent la détection, la segmentation et le suivi des nodules pulmonaires au scanner. Ils permettent notamment d’automatiser la volumétrie, la comparaison avec les examens antérieurs et le calcul du temps de doublement, avec des applications dans le dépistage du cancer pulmonaire, la découverte fortuite de nodules et le suivi oncologique. Leur intégration doit cependant respecter un protocole rigoureux : le radiologue réalise d’abord une lecture indépendante, puis consulte les résultats de l’IA comme seconde lecture, vérifie chaque détection sur les images sources et l’interprète selon le contexte clinique. Les faux positifs et les faux négatifs persistent, notamment pour les très petits nodules, les lésions en verre dépoli, juxtapleurales ou situées dans un parenchyme remanié. Les performances peuvent également varier selon les équipements et les protocoles d’acquisition. L’IA constitue donc un outil d’assistance et non un lecteur autonome : le radiologue conserve la responsabilité de l’analyse globale et de la décision finale.

La détection des nodules pulmonaires constitue une étape fondamentale de l'imagerie thoracique moderne. Avec le développement des programmes de dépistage du cancer bronchopulmonaire par scanner faible dose, l'identification précoce de ces lésions est devenue un enjeu de santé publique majeur. Les nodules pulmonaires apparaissent désormais dans près de la moitié des scanners thoraciques, transformant ce qui était autrefois une découverte relativement rare en un défi quotidien pour les radiologues. Il faut notamment savoir distinguer les nodules d’observation banale de la petite minorité qui doivent faire poursuivre les investigations.

L'augmentation du nombre d'examens tomodensitométriques, la finesse des acquisitions et la complexité des données à analyser rendent la recherche des nodules difficile, même pour des praticiens expérimentés. Plusieurs études ont montré que certains cancers pulmonaires étaient visibles rétrospectivement sur des examens antérieurs, soulignant les limites de l

Il vous reste 92% 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

Antoine Khalil

PU-PH chef de service Hôpital Bichat - AP-HP Paris

Déclaration des liens d'intérêts

Aucun lien d’intérêts déclaré par le(s) auteur(s) de cet article.

Bibliographie

  1. Setio AAA, Traverso A, De Bel T, et al (2017) Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge. Medical Image Analysis 42:1–13. https://doi.org/10.1016/j.media.2017.06.015
  2. Pehrson LM, Nielsen MB, Ammitzbøl Lauridsen C (2019) Automatic Pulmonary Nodule Detection Applying Deep Learning or Machine Learning Algorithms to the LIDC-IDRI Database: A Systematic Review. Diagnostics 9:29. https://doi.org/10.3390/diagnostics9010029
  3. Armato SG, McLennan G, Bidaut L, et al (2011) The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A Completed Reference Database of Lung Nodules on CT Scans. Medical Physics 38:915–931. https://doi.org/10.1118/1.3528204
  4. Causey JL, Zhang J, Ma S, et al (2018) Highly accurate model for prediction of lung nodule malignancy with CT scans. Sci Rep 8:9286. https://doi.org/10.1038/s41598-018-27569-w
  5. Ardila D, Kiraly AP, Bharadwaj S, et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961. https://doi.org/10.1038/s41591-019-0447-x
  6. Van Riel SJ, Sánchez CI, Bankier AA, et al (2015) Observer Variability for Classification of Pulmonary Nodules on Low-Dose CT Images and Its Effect on Nodule Management. Radiology 277:863–871. https://doi.org/10.1148/radiol.2015142700
  7. MacMahon H, Naidich DP, Goo JM, et al (2017) Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images: From the Fleischner Society 2017. Radiology 284:228–243. https://doi.org/10.1148/radiol.2017161659
  8. De Koning HJ, Van Der Aalst CM, De Jong PA, et al (2020) Reduced Lung-Cancer Mortality with Volume CT Screening in a Randomized Trial. N Engl J Med 382:503–513. https://doi.org/10.1056/NEJMoa1911793
  9. Fink N, Sperl JI, Rueckel J, Stüber T, Goller SS, Rudolph J, et al. Artificial intelligence-based automated matching of pulmonary nodules on follow-up chest CT. Eur Radiol Exp. 2025;9:48. doi:10.1186/s41747-025-00579-w.
  10. van Riel SJ, Ciompi F, Jacobs C, Winkler Wille MM, Dirksen A, Lam S, Scholten ET et al. Malignancy risk estimation of pulmonary nodules in screening CTs: Comparison between a computer model and human observers. PLoS One. 2017;12(11):e0185032. doi:10.1371/journal.pone.0185032
  11. Jacobs C, Van Rikxoort EM, Scholten ETh, et al (2015) Solid, Part-Solid, or Non-Solid?: Classification of Pulmonary Nodules in Low-Dose Chest Computed Tomography by a Computer-Aided Diagnosis System. Investigative Radiology 50:168–173. https://doi.org/10.1097/RLI.0000000000000121
  12. Chamberlin J, Kocher MR, Waltz J, Snoddy M, Stringer NFC, Stephenson J et al. Automated detection of lung nodules and coronary artery calcium using artificial intelligence on low-dose CT scans for lung cancer screening: Accuracy and prognostic value. BMC Med. 2021;19(1):55. doi:10.1186/s12916-021-01928-3

Mots-clés

intelligence artificielle scanner thoracique

Discussion

Aucun commentaire

Laisser un commentaire

Sommaire

Le fil Docteur Imago

21 Oct

15:00

14:00

La reconstruction par super résolution basée sur des images IRM de la phase hépatobiliaire permettrait d'améliorer la prédiction de l'invasion microvasculaire, un facteur de récidive postopératoire élevé chez les patients atteints de carcinome hépatocellulaire.(étude).

7:38

SimBioSys, une société de médecine de précision axée sur l’IA, obtient l'autorisation de la FDA pour TumorSight Risk, un outil d'intelligence artificielle pour évaluer le risque de récidive du cancer du sein par imagerie par résonance magnétique.

7:00

20 Oct

16:30

Un modèle de deep learning peut estimer l’âge chronologique des enfants à partir de radiographies du bassin, avec une erreur absolue moyenne inférieure à 0,6 an, selon une étude.

14:05

La pose d'un filtre de veine cave inférieure est faisable chez les patients pédiatriques, conclut une étude rétrospective sur 242 cas, qui enregistre un taux de réussite de 99,1 %, ainsi qu'un taux élevé de retraits.
✕
Docteur Imago

GRATUIT
VOIR