Literatura académica sobre el tema "Reproductibilité des caractéristiques"

L'intelligence artificielle (IA) est très utilisée pour le diagnostic et le traitement de données médicales, donnant lieu à la médecine personnalisée assistée par l'IA. Ce manuscrit se concentre sur la proposition et l'analyse de méthodes d'IA, notamment l'apprentissage profond et la radiomique, pour le diagnostic du cancer. Tout d'abord, une approche efficace de segmentation automatique est essentielle pour mettre en place une méthode de diagnostic par IA, car c'est un préalable à une analyse par radiomiques. Nous avons proposé une nouvelle approche pour la segmentation automatique des lésions dans les images échographiques, basée sur des données multicentrique et multipathologique présentant différents types de cancers. En introduisant la convolution de groupe, nous avons proposé un réseau U-net léger en mémoire sans sacrifier les performances de segmentation. Deuxièmement, nous nous sommes intéressés au traitement de données d'imagerie par résonance magnétique (IRM) pour prédire de manière non invasive le sous-type de gliome, défini par le grade de la tumeur, la mutation de l'isocitrate déshydrogénase (IDH) et la codélétion 1p/19q. Nous proposons une approche par radiomiques. La performance de prédiction s'est améliorée de manière significative en optimisant différents paramètres de notre modèle. Les caractéristiques des éléments radiomiques qui distinguent le mieux les sous-types de gliome ont également été analysées. Ce travail a non seulement fourni un pipeline qui fonctionne bien pour prédire le sous-type de gliome, mais il a également contribué au développement et à l'interprétabilité du modèle radiomique. Troisièmement, nous nous intéressons à la problématique de reproductibilité des approches basées sur les radiomiques. Nous avons donc étudié l'impact de différentes méthodes de prétraitement d'images et de méthodes d'harmonisation (y compris la normalisation de l'intensité et l'harmonisation ComBat) sur la reproductibilité des caractéristiques radiomiques en IRM. Nous avons montré que la méthode ComBat est essentielle pour éliminer la variation non biologique causée par les différents paramètres d'acquisition d'image (à savoir, les effets du scanner) et améliorer la reproductibilité des caractéristiques dans les études radiomiques. Nous avons illustré l'importance de la normalisation de l'intensité, car elle permet d'obtenir des images IRM plus comparables et des résultats plus robustes. Enfin, nous avons cherché à améliorer la méthode ComBat en modifiant l'hypothèse classique, à savoir que les effets du scanner sont différents pour différentes classes (comme les tumeurs et les tissus normaux). Bien que le modèle proposé donne des résultats encore décevants, sûrement en raison du manque de contraintes appropriées pour aider à identifier les paramètres, il a néanmoins ouvert la voie à des perspectives intéressantes<br>Artificial intelligence (AI) has been widely used in the research field of AI-assisted diagnosis, treatment, and personalized medicine. This manuscript focuses on the application of artificial intelligence methods including deep learning and radiomics in cancer diagnosis. First, effective image segmentation is essential for cancer diagnosis and further radiomics-based analysis. We proposed a new approach for automatic lesion segmentation in ultrasound images, based on a multicentric and multipathology dataset displaying different types of cancers. By introducing the group convolution, we proposed a lightweight U-net network without sacrificing the segmentation performance. Second, we processed the clinical Magnetic Resonance Imaging (MRI) images to noninvasively predict the glioma subtype as defined by the tumor grade, isocitrate dehydrogenase (IDH) mutation and 1p/19q codeletion status. We proposed a radiomics-based approach. The prediction performance improved significantly by tuning different settings in the radiomics pipeline. The characteristics of the radiomic features that best distinguish the glioma subtypes were also analyzed. This work not only provided a radiomics pipeline that works well for predicting the glioma subtype, but it also contributed to the model development and interpretability. Third, we tackled the challenge of reproducibility in radiomics methods. We investigated the impact of different image preprocessing methods and harmonization methods (including intensity normalization and ComBat harmonization) on the radiomic feature reproducibility in MRI radiomics. The conclusion showed that ComBat method is essential to remove the nonbiological variation caused by different image acquisition settings (namely, scanner effects) and improve the feature reproducibility in radiomics studies. Meanwhile, intensity normalization is also recommended because it leads to more comparable MRI images and more robust harmonization results. Finally, we investigated improving the ComBat harmonization method by changing its assumption to a very common case that scanner effects are different for different classes (like tumors and normal tissues). Although the proposed model yielded disappointing results, surely due to the lack of enough proper constraints to help identify the parameters, it still paved the way for the development of new harmonization methods