Un modèle d’IA d’ensemble combinant des variables cliniques, des cotes O-RAD et des radiomiques d’apprentissage en profondeur peut aider à diagnostiquer les tumeurs ovariennes, suggérer des résultats publiés le 5 mars en Oncologie translationnelle.
Des chercheurs dirigés par Yimin Wu de l’East China Normal University à Wuhu, en Chine, ont constaté que leur modèle avait atteint une grande précision et a contribué à améliorer les performances des échographistes entre 7,7% et 11%.
«Le modèle d’ensemble améliore considérablement la précision du diagnostic du cancer de l’ovaire préopératoire et améliore les capacités de diagnostic et la cohérence des échographistes», ont écrit Wu et ses collègues.
Les chercheurs en radiologie continuent d’explorer le potentiel de la radiomique d’apprentissage en profondeur pour diagnostiquer plus précisément les maladies par la différenciation tumorale. Dans le cas du cancer de l’ovaire, l’échographie transvaginale (TVUS) est la modalité de première intention utilisée pour le diagnostic, avec des rads O-RADS avec une stratification du risque.
Les chercheurs ont noté que peu d’études ont étudié le potentiel d’un modèle holistique qui intègre les facteurs cliniques, les scores des RAD et la radiomique d’apprentissage en profondeur pour stratifier le risque de cancer de l’ovaire.
Wu et ses collègues ont ajouté à la littérature en développant son propre modèle d’ensemble qui comprend les facteurs susmentionnés. Il a également exploré que le modèle a amélioré les performances des échographistes.
(A) Le tracé de résumé de la forme montre les contributions globales des variables aux prédictions du modèle. (Être) Explication locale du modèle pour une seule instance de carcinome endométrioïde ovarien: graphique de la cascade de forme (b), image à ultrasons en niveaux de gris (C), image Doppler de couleur échographique (D) et image histopathologique 10 × 10 (E). Des images sont disponibles pour la republication sous une licence Creative Commons (CC BY-NC-ND 4.0).
Les chercheurs ont développé leur modèle en utilisant des données de deux centres médicaux, l’un pour la formation et la validation interne et l’autre pour la validation externe. L’ensemble de formation comprenait 413 patients tandis que l’ensemble de validation interne comprenait 177 patients. L’ensemble de validation externe comprenait quant à lui 312 patients. Le modèle a incorporé 687 fonctionnalités de radiomique.
Le modèle de radiomique d’apprentissage en profondeur a obtenu des marques élevées dans les trois ensembles, basés sur la méthode de l’opérateur de retrait et de sélection le moins absolu (LASSO).
| Performance d’un modèle d’IA en formation, validation interne et validation externe des ensembles de patients | |||
|---|---|---|---|
Le modèle d’ensemble, quant à lui, qui combinait les caractéristiques de la radiomique d’apprentissage en profondeur avec les caractéristiques cliniques et l’évaluation des RAD par les échographistes a réalisé un ASC de 0,97 dans des groupes de validation internes et externes.
Les valeurs AUC moyens des échographistes se sont améliorées de 11% dans l’ensemble de validation interne et de 7,7% dans l’ensemble de validation externe.
Les auteurs de l’étude ont souligné que leur modèle «offre un diagnostic plus efficace, rentable et interprétable du cancer de l’ovaire».
“Bien que nos résultats suggèrent le potentiel de l’IA pour améliorer la maîtrise du diagnostic, les interventions de formation sur mesure, telles que les séances d’orientation courtes, les tutoriels structurés ou les interfaces conviviales, pourraient aider les échabographes juniors à tirer pleinement parti des capacités du modèle”, ont-ils écrit.
L’équipe a appelé à de futures études pour explorer la faisabilité, l’efficacité et la rentabilité de ces stratégies dans divers contextes cliniques.
L’étude complète peut être trouvée ici.
#Modèle #radiomique #dapprentissage #profondeur #Aides #dans #diagnostic #cancer #lovaire