Un nouvel éditorial a été publié dans OncotargetVolume 16, le 4 avril 2025, intitulé «Quantification de l'incertitude basée sur l'apprentissage en profondeur pour l'assurance qualité dans les techniques basées sur l'imagerie hépatobiliaire».
Le Dr Yashbir Singh de Mayo Clinic et ses collègues ont discuté de la façon dont l'intelligence artificielle (IA) peut améliorer l'imagerie hépatique en reconnaissant quand cela pourrait être faux. Cette approche, appelée «quantification de l'incertitude», aide les cliniciens à mieux détecter le cancer du foie et d'autres maladies en soulignant les zones des analyses médicales qui ont besoin d'un deuxième look. Les auteurs expliquent comment ces outils d'IA pourraient rendre les résultats d'imagerie plus précis et plus fiables, ce qui est particulièrement important lors du diagnostic de conditions graves comme les tumeurs hépatiques.
L'imagerie du foie et des canaux biliaires est difficile en raison de la structure complexe de l'organe et des différences de qualité d'image. Même les radiologues qualifiés peuvent avoir du mal à identifier les tumeurs petites ou cachées, en particulier chez les patients souffrant de dommages hépatiques ou de cicatrices. L'éditorial explique comment les nouveaux modèles d'IA lisent non seulement les images médicales mais mesurent également leur propre confiance. Lorsque le système d'IA n'est pas sûr, il peut alerter les cliniciens de regarder de plus près. Cette couche supplémentaire d'informations peut réduire les diagnostics manqués et améliorer la détection précoce du cancer du foie.
L'un des outils les plus avancés décrits dans l'éditorial s'appelle Ahunet (réseau hybride anisotrope). Ce modèle d'IA fonctionne avec les images 2D et 3D et peut mettre en évidence les parties d'un scan sur lequel il est le plus confiant. Il a bien fonctionné lors de la mesure du foie entier et a montré comment sa confiance a chuté lors de la numérisation des lésions plus petites ou multiples. Cette caractéristique aide les cliniciens à savoir quand plus de tests ou de revues sont nécessaires.
Les auteurs ont également examiné d'autres modèles d'IA utilisés dans l'imagerie hépatique. Certains outils ont pu analyser les graisses hépatiques à l'aide d'images échographiques et donner aux cliniciens un résultat et un score de confiance. D'autres ont amélioré la vitesse et la précision des analyses d'imagerie par résonance magnétique du foie (IRM), aidant à créer des images claires en moins de temps. Ces progrès pourraient aider les hôpitaux à travailler plus rapidement et à fournir de meilleurs soins.
L'éditorial souligne comment cette technologie peut être particulièrement utile dans les petites cliniques. S'ils n'ont pas de spécialistes hépatiques, ils pourraient toujours utiliser des systèmes d'IA qui signalent des résultats incertains et les envoyer dans de plus grands centres pour examen. Une telle approche pourrait améliorer les soins dans les zones rurales ou moins ressources.
« Les services de radiologie devraient développer des modèles de rapports standardisés qui intègrent des mesures d'incertitude aux côtés des résultats d'imagerie traditionnels. »
En utilisant des outils d'IA qui savent quand se deviner, les cliniciens pourraient bientôt avoir des méthodes plus fiables pour détecter le cancer du foie et surveiller les maladies hépatiques. Les auteurs suggèrent que l'IA conscient de l'incertitude pourrait bientôt devenir un élément essentiel de l'imagerie médicale quotidienne, soutenant des décisions plus rapides et plus précises dans les soins des maladies du foie.
