Publications scientifiques

Hepatocellular carcinoma (HCC) constitutes a prominent global health challenge. According to the American Association for the Study of Liver Diseases (AASLD) guideline HCC can be diagnosed by imaging examination. However, it shows that contrast-enhanced CT has limited accuracy in the diagnosis of HCC, particularly, small-size HCC lesions (≤ 20 mm) are the most difficult to identify with CT demonstrating sensitivity = 64% [1]. An Artificial Intelligence (AI) algorithm that can analyze liver CT images and localize HCC lesions would be valuable for patients at risk of HCC. Recent studies have presented promising outcomes regarding the application of AI algorithms in HCC diagnosis; However, the efficacy in localizing small-sized HCC lesions in CT images remains uncertain, and there is a need for improvement in reducing the false-positive rate [2-4].

Le poster présente les performances d’un modèle d’intelligence artificielle de détection et caractérisation assistées par ordinateur (CADe/CADx) pour le dépistage du cancer du poumon, ainsi que différentes analyses de sous-populations. Des modèles d’IA 3D-CNN ont été utilisés sur un jeu de données test contenant 136 patients souffrant d’un cancer pulmonaire et 2027 patients n’ayant pas de cancer. La performance au niveau nodule montre une aire sous la courbe de 0,987 (AUC-ROC = 0.987), bien supérieure à celle du modèle de Brock appliqué aux données NLST (AUC-ROC = 0,971). Ce résultat reste inchangé quelles que soient les caractéristiques des nodules (taille, atténuation et marge), et montre que le modèle pourrait améliorer la pratique clinique des radiologues et optimiser la prise en charge des patients.

L’objectif de l’étude est de mesurer la capacité des caractéristiques radiomiques à stratifier les patients en se basant sur les niveaux d’infiltration des lymphocytes CD8+ et d’identifier des caractéristiques radiomiques pertinentes associées à ces différents niveaux. Les données utilisées dans l’étude proviennent de deux registres open source, les registres TCIA et TCGA. Le modèle d’IA a été entraîné sur les données TCIA et testé sur les données TCGA. Les résultats obtenus suggèrent que quatre caractéristiques de texture peuvent avec certitude discriminer les niveaux d’infiltration CD8+ (niveau élevé vs niveau bas). Le modèle a atteint une aire sous la courbe moyenne de 0.73 (AUC-ROC = 0,73 (±0.08 std)) sur le jeu de données d’entraînement et une aire sous la courbe de 0,67 (AUC-ROC = 0.67 (95% CI: 53%, 80%)) sur le jeu de données de test.