Précision de l'algorithme d'apprentissage en profondeur pour la détection et la stratification des risques de nodules pulmonaires

L'ostéosarcome est considéré comme la tumeur osseuse maligne la plus fréquente chez les enfants et les adolescents. Environ 15 % à 20 % des patients atteints d'ostéosarcome présentent une maladie métastatique détectable, et la majorité d'entre eux (85 %) ont des lésions pulmonaires comme seul site de métastase. Des études antérieures ont montré que le taux de survie global chez les patients atteints d'ostéosarcome localisé sans maladie métastatique est d'environ 60 % à 70 %, alors que le taux de survie diminue de 10 % à 30 % chez les patients atteints de maladie métastatique. Bien que ces derniers temps, les régimes chimiothérapeutiques néoadjuvants et adjuvants puissent faire baisser le taux de mortalité, 30 à 50 % des patients meurent encore de métastases pulmonaires. Le nombre, la distribution et le moment des métastases pulmonaires ont une valeur pronostique pour la survie et, par conséquent, l'imagerie thoracique par tomodensitométrie (TDM) joue toujours un rôle essentiel dans la surveillance de la maladie. Au cours de la dernière décennie, la technologie du scanner multidétecteur a amélioré la détection de nombreuses lésions pulmonaires plus petites, ce qui, d'une part, peut augmenter la sensibilité diagnostique des métastases pulmonaires, mais la spécificité peut être réduite. Ces dernières années, l'algorithme d'intelligence artificielle (IA) d'apprentissage en profondeur dans une grande variété d'examens d'imagerie est un sujet brûlant. Actuellement, un nombre croissant de systèmes de diagnostic assisté par ordinateur (CAD) basés sur des technologies d'apprentissage en profondeur visant un dépistage plus rapide et une interprétation correcte des nodules pulmonaires ont été rapidement développés et introduits sur le marché. Jusqu'à présent, les recherches axées sur l'amélioration de la précision de la classification des nodules bénins/malins ont fait des progrès substantiels, inspirés par les progrès considérables des techniques d'apprentissage en profondeur. Par conséquent, la majorité des systèmes CAD existants peuvent effectuer une classification des nodules pulmonaires avec une précision supérieure à 90 %. Dans la pratique clinique, non seulement la détermination de la malignité du nodule pulmonaire, mais aussi la distinction entre le carcinome primitif et la métastase intrapulmonaire est cruciale pour la prise en charge des patients. Cependant, la plupart des classifications existantes des nodules pulmonaires appliquées dans le système CAD restent à être un modèle binaire (bénin Vs malin), en l'absence d'une classification plus approfondie des nodules caractérisée par la division du nodule primaire et métastatique. À notre connaissance, seules quelques études se sont concentrées sur les performances du système de CAO basé sur l'apprentissage en profondeur pour identifier les nodules pulmonaires métastatiques jusqu'à présent. Dans cette étude proposée, les chercheurs ont cherché à déterminer l'exactitude et la sensibilité d'un système assisté par ordinateur basé sur un algorithme d'intelligence artificielle d'apprentissage en profondeur pour la détection et la stratification des risques de nodules pulmonaires chez les patients atteints de sarcome ostéogénique.