Le cancer du poumon est le cancer le plus diagnostiqué au monde et l’une des principales causes de décès liés au cancer. Une détection précoce de ce phénomène peut s’avérer être une aubaine pour la survie. Cependant, la collecte d’échantillons de tissus provenant de petites tumeurs situées profondément dans les poumons reste un défi de taille. Comme bon nombre de ces lésions se trouvent dans les régions périphériques des poumons, les médecins doivent naviguer à travers un réseau complexe de minuscules voies respiratoires ramifiées pour atteindre la cible.
Dans ces cas, les cliniciens s’appuient sur des systèmes de navigation pulmonaire qui utilisent des cartes tridimensionnelles des voies respiratoires reconstruites à partir de tomodensitométrie (TDM) pour guider les instruments vers des lésions suspectes. En fin de compte, la précision de ces systèmes de navigation dépend fortement de l’exhaustivité des cartes des voies aériennes pour les guider. La création de ces cartes est encore une fois difficile, car les plus petites voies respiratoires périphériques sont extrêmement fines et difficiles à distinguer des tissus environnants. Cette restriction fait craindre que si les systèmes d’intelligence artificielle (IA) sont formés à partir d’informations incomplètes, ils risquent également de négliger les voies respiratoires cliniquement importantes.
Pour relever ce défi, des chercheurs de l’Université nationale de Pusan en Corée du Sud ont développé ASTRA-Net (Anatomical Segmentation with Tree-aware Refinement Attention), un cadre d’IA conçu pour identifier les branches des voies respiratoires précédemment négligées et générer des cartes des voies respiratoires plus complètes. L’étude a été dirigée par le Dr MinWoo Kim de l’École d’ingénierie de convergence biomédicale, Université nationale de Pusan, et le Dr Hee Yun Seol de la Division de médecine pulmonaire et de soins intensifs, Institut de recherche pour la convergence des sciences et technologies biomédicales, Hôpital Yangsan de l’Université nationale de Pusan, en collaboration avec d’autres chercheurs. Cet article a été mis en ligne le 9 mars 2026 et a été publié dans le volume 45, numéro 6 de la revue Transactions IEEE sur l’imagerie médicale le 01 juin 2026.
Contrairement aux modèles conventionnels qui peuvent être limités par des annotations de formation incomplètes, ASTRA-Net a été conçu pour identifier les structures anatomiquement plausibles des voies respiratoires qui auraient pu être omises des étiquettes originales.
« ASTRANET n’est pas simplement un autre modèle de segmentation des voies respiratoires. Il a été spécifiquement conçu pour identifier les voies respiratoires périphériques qui auraient pu être négligées lors de l’annotation manuelle, contribuant ainsi à créer une feuille de route plus complète pour la bronchoscopie, » explique le Dr Kim.
ASTRA-Net utilise une architecture d’apprentissage profond en plusieurs étapes, comme celles utilisées dans l’analyse avancée d’images médicales. Une partie de ce réseau apprend la structure globale des poumons, tandis qu’une autre affine les régions où les limites des voies respiratoires ne sont pas claires. Un mécanisme d’attention supplémentaire aide le modèle à se concentrer sur les régions où les petites voies respiratoires périphériques sont difficiles à distinguer ou peuvent avoir été omises des annotations. Cela permet la reconstruction des branches des voies respiratoires qui sont souvent absentes des annotations CT. En incorporant des indices anatomiques provenant des tissus pulmonaires et des vaisseaux sanguins environnants, qui longent souvent les voies respiratoires, le système peut déduire la continuité de voies respiratoires jusque-là non reconnues.
Les chercheurs ont également évalué le cadre à l’aide de plusieurs ensembles de données ainsi que de tomodensitogrammes cliniques obtenus de l’hôpital Yangsan de l’université nationale de Pusan. Ce modèle a démontré de solides performances dans l’identification des fines voies respiratoires périphériques et est resté robuste même lorsque les tomodensitogrammes variaient en termes de qualité d’image et d’épaisseur de coupe. De plus, un examen par des experts des prédictions du modèle a montré que certaines structures initialement considérées comme de faux positifs étaient de véritables branches des voies respiratoires qui avaient été omises dans les annotations originales.
« En fournissant aux médecins une feuille de route plus complète des voies respiratoires, nous espérons que cette technologie améliorera la navigation vers les lésions pulmonaires difficiles d’accès et soutiendra le développement de futurs systèmes de bronchoscopie assistés par IA et robotisés.« , conclut le Dr Kim.
