Le cancer du foie repr\u00e9sente un enjeu majeur de sant\u00e9 mondiale, responsable de pr\u00e8s de 800 000 d\u00e9c\u00e8s chaque ann\u00e9e. Ce cancer, souvent diagnostiqu\u00e9 \u00e0 un stade avanc\u00e9, b\u00e9n\u00e9ficie aujourd\u2019hui des avanc\u00e9es de l\u2019intelligence artificielle, et plus pr\u00e9cis\u00e9ment du deep learning<\/em>, une branche sp\u00e9cialis\u00e9e dans l\u2019analyse automatique de donn\u00e9es complexes. Cette technologie permet d\u00e9sormais de d\u00e9tecter plus t\u00f4t et avec une pr\u00e9cision accrue les l\u00e9sions h\u00e9patiques, qu\u2019elles soient b\u00e9nignes ou malignes, gr\u00e2ce \u00e0 l\u2019analyse d\u2019images m\u00e9dicales comme les \u00e9chographies, les scanners ou les IRM.<\/p>\n Le foie, organe essentiel au filtrage du sang et \u00e0 la production de bile, peut d\u00e9velopper divers types de tumeurs. Parmi les tumeurs b\u00e9nignes, on trouve l\u2019h\u00e9mangiome, souvent asymptomatique et plus fr\u00e9quent chez les femmes, ou l\u2019ad\u00e9nome h\u00e9patocellulaire, li\u00e9 \u00e0 la prise de contraceptifs oraux. Les tumeurs malignes, comme le carcinome h\u00e9patocellulaire, sont quant \u00e0 elles plus agressives et peuvent se propager \u00e0 d\u2019autres organes. Ces derni\u00e8res sont souvent associ\u00e9es \u00e0 des facteurs de risque tels que la cirrhose, les h\u00e9patites virales ou une exposition prolong\u00e9e \u00e0 des substances toxiques comme l\u2019alcool ou certains produits chimiques.<\/p>\n Les m\u00e9thodes traditionnelles d\u2019imagerie m\u00e9dicale, bien qu\u2019efficaces, pr\u00e9sentent des limites. L\u2019\u00e9chographie, par exemple, est peu co\u00fbteuse et non invasive, mais elle manque de pr\u00e9cision pour les petites l\u00e9sions. Le scanner offre une meilleure r\u00e9solution spatiale et permet de visualiser les vaisseaux sanguins, tandis que l\u2019IRM excelle dans la distinction entre tissus sains et pathologiques, m\u00eame pour des l\u00e9sions de moins de 20 mm. La tomographie par \u00e9mission de positons, bien que moins utilis\u00e9e pour le diagnostic initial, reste pr\u00e9cieuse pour \u00e9valuer l\u2019extension de la maladie.<\/p>\n Le deep learning<\/em> a transform\u00e9 ces techniques en automatisant l\u2019analyse des images. Les r\u00e9seaux de neurones convolutifs, ou CNN, sont particuli\u00e8rement performants pour classer et segmenter les l\u00e9sions h\u00e9patiques. Ils permettent d\u2019extraire des caract\u00e9ristiques hi\u00e9rarchiques des images, am\u00e9liorant ainsi la d\u00e9tection des tumeurs. D\u2019autres architectures, comme les r\u00e9seaux r\u00e9currents ou les r\u00e9seaux antagonistes g\u00e9n\u00e9ratifs, compl\u00e8tent ces approches en traitant des donn\u00e9es s\u00e9quentielles ou en g\u00e9n\u00e9rant des images synth\u00e9tiques pour enrichir les jeux de donn\u00e9es.<\/p>\n Les r\u00e9sultats sont prometteurs : des mod\u00e8les bas\u00e9s sur les CNN atteignent des taux de pr\u00e9cision d\u00e9passant 95 % pour la classification des l\u00e9sions h\u00e9patiques \u00e0 partir de scanners ou d\u2019IRM. Certaines \u00e9tudes combinent m\u00eame imagerie et donn\u00e9es cliniques pour affiner les diagnostics, r\u00e9duisant ainsi les variations entre les interpr\u00e8tes et acc\u00e9l\u00e9rant le processus. Par exemple, des syst\u00e8mes comme le U-Net, sp\u00e9cialement con\u00e7u pour la segmentation d\u2019images, permettent de d\u00e9limiter avec pr\u00e9cision les contours des tumeurs, m\u00eame dans des cas complexes.<\/p>\n Cependant, des d\u00e9fis persistent. Les mod\u00e8les actuels sont souvent form\u00e9s sur des donn\u00e9es provenant d\u2019un seul centre hospitalier, ce qui limite leur g\u00e9n\u00e9ralisation \u00e0 d\u2019autres populations ou \u00e9quipements. De plus, la raret\u00e9 des jeux de donn\u00e9es annot\u00e9s et la complexit\u00e9 des formes tumorales rendent parfois l\u2019analyse difficile. Les chercheurs explorent des solutions comme l\u2019apprentissage par transfert, qui consiste \u00e0 adapter des mod\u00e8les pr\u00e9-entra\u00een\u00e9s sur de grandes bases de donn\u00e9es g\u00e9n\u00e9rales \u00e0 des t\u00e2ches sp\u00e9cifiques, r\u00e9duisant ainsi le besoin en donn\u00e9es m\u00e9dicales annot\u00e9es.<\/p>\n L\u2019int\u00e9gration de ces technologies en pratique clinique pourrait \u00e9galement optimiser les flux de travail en radiologie. Par exemple, l\u2019automatisation de la segmentation du foie et des tumeurs permet de gagner un temps pr\u00e9cieux pour la planification chirurgicale ou le suivi des patients. Les syst\u00e8mes d\u2019aide au diagnostic peuvent aussi servir de \u00ab second lecteur \u00bb, signalant des l\u00e9sions suspectes qui pourraient \u00eatre omises lors d\u2019un examen manuel.<\/p>\n Malgr\u00e9 ces avanc\u00e9es, certains obstacles freinent encore l\u2019adoption g\u00e9n\u00e9ralis\u00e9e. Les mod\u00e8les peuvent rencontrer des difficult\u00e9s avec des l\u00e9sions de tr\u00e8s petite taille ou situ\u00e9es pr\u00e8s des limites vasculaires. De plus, leur manque de transparence pose question : les cliniciens h\u00e9sitent \u00e0 adopter des outils dont les d\u00e9cisions ne sont pas explicables. Des m\u00e9thodes d\u2019intelligence artificielle explicable, comme les cartes de chaleur visuelles, commencent \u00e0 \u00e9merger pour rendre ces syst\u00e8mes plus compr\u00e9hensibles.<\/p>\n \u00c0 l\u2019avenir, des approches comme l\u2019apprentissage f\u00e9d\u00e9r\u00e9, qui permet d\u2019entra\u00eener des mod\u00e8les sur des donn\u00e9es r\u00e9parties dans plusieurs centres sans partager les informations sensibles, pourraient r\u00e9soudre les probl\u00e8mes de confidentialit\u00e9 et de diversit\u00e9 des donn\u00e9es. Les mod\u00e8les de base, pr\u00e9-entra\u00een\u00e9s sur des millions d\u2019images vari\u00e9es, offrent \u00e9galement une piste pour r\u00e9duire la d\u00e9pendance aux jeux de donn\u00e9es m\u00e9dicales annot\u00e9es, souvent limit\u00e9s. Enfin, l\u2019int\u00e9gration de ces outils dans les syst\u00e8mes existants, comme les PACS (syst\u00e8mes d\u2019archivage et de transmission d\u2019images m\u00e9dicales), n\u00e9cessitera des infrastructures adapt\u00e9es et une validation r\u00e9glementaire rigoureuse pour garantir leur s\u00e9curit\u00e9 et leur efficacit\u00e9.<\/p>\n DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s43055-026-01779-z<\/a><\/p>\n Titre\u00a0:<\/strong> A comprehensive review on deep learning for liver cancer detection: research challenges and future directions<\/p>\n Revue : <\/strong> Egyptian Journal of Radiology and Nuclear Medicine<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> T. R. Rahenya Ruba; P. Prakasam<\/p>\n","protected":false},"excerpt":{"rendered":" Le deep learning r\u00e9volutionne-t-il le d\u00e9pistage du cancer du foie Le cancer du foie repr\u00e9sente un enjeu majeur de sant\u00e9 mondiale, responsable de pr\u00e8s de 800 000 d\u00e9c\u00e8s chaque ann\u00e9e. Ce cancer, souvent diagnostiqu\u00e9 \u00e0 un stade avanc\u00e9, b\u00e9n\u00e9ficie aujourd\u2019hui des avanc\u00e9es de l\u2019intelligence artificielle, et plus pr\u00e9cis\u00e9ment du deep learning, une branche sp\u00e9cialis\u00e9e dans… Poursuivre la lecture Le deep learning r\u00e9volutionne-t-il le d\u00e9pistage du cancer du foie<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11,2],"tags":[],"class_list":["post-71","post","type-post","status-publish","format-standard","hentry","category-culture","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/posts\/71","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/comments?post=71"}],"version-history":[{"count":1,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/posts\/71\/revisions"}],"predecessor-version":[{"id":72,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/posts\/71\/revisions\/72"}],"wp:attachment":[{"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/media?parent=71"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/categories?post=71"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/internationalsciencereview.com\/fr\/wp-json\/wp\/v2\/tags?post=71"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nInformations et sources<\/h2>\n
R\u00e9f\u00e9rence scientifique<\/h3>\n