Un modèle d’apprentissage profond détecte et segmente plus vite les tumeurs des poumons

Ils promettent un gain de temps considérable pour les soignants. Des chercheurs à majorité nord-américaine présentent dans Radiology un modèle d’apprentissage profond basé sur une architecture 3D U-net pour la détection et la segmentation des tumeurs des poumons sur les scanners thoraciques [1].

La plus grande base de scanners de simulation et de segmentations

Ce qui le différencie des dispositifs similaires ? Sa base d’entraînement de 1504 scanners de simulation et de segmentations 3D de tumeurs associées réalisés avant les traitements de radiothérapie, la plus grande connue pour un tel développement, affirme Mehr Kashyap, médecin à la faculté de médecine de Standford (Californie) et premier auteur de l’étude, dans un communiqué de la Société nord-américaine de radiologie (RSNA).

Deux fois plus rapide

Testé sur une base de 150 examens, le dispositif a atteint une sensibilité de 92 % et une spécificité de 82 % pour la détection. Pour la segmentation, ses performances ont été comparées à ce