Un cadre de modèle de base pré-entraîné pour la classification en IRM multiplanaires de l'invasion vasculaire extramurale et de l'invasion de la fascia mésoréctale dans le cancer du rectumA pre-trained foundation model framework for multiplanar MRI classification of extramural vascular invasion and mesorectal fascia invasion in rectal cancer.
- Utilisation de modèles de base pré-entraînés pour la classification automatique de l'EVI et de la MFI en IRM.
- Harmonisation fréquentielle pour réduire les variations inter-scanners.
- Performance supérieure aux benchmarks existants (AUC de 0,82 pour l'EVI et 0,77 pour la MFI).
Avancée significative en IA médicale pour la classification automatique en oncologie, avec des implications directes sur la standardisation diagnostique. Les résultats sont robustes mais nécessitent des validations supplémentaires.
Étude rétrospective limitée à trois centres européens. Absence de validation prospective sur des cohortes plus diversifiées. Dépendance aux données T2-weighted, sans évaluation sur d'autres séquences IRM.
L'identification précise de l'invasion vasculaire extramurale (EVI) et de l'invasion de la fascia mésoréctale (MFI) par IRM est cruciale pour le traitement du cancer du rectum. Cet article propose un cadre multi-centre basé sur des modèles de base pré-entraînés, combinant une harmonisation fréquentielle pour réduire les variations inter-scanners et une fusion multiplanaire. Les résultats montrent que le modèle UMedPT_LR atteint une performance optimale pour l'EVI (AUC=0,82) et le modèle UMedPT pour la MFI (AUC=0,77), surpassant le benchmark CHAIMELEON 2024. Cette approche standardise le diagnostic et pourrait guider la thérapie, tout en soulignant la nécessité de validations prospectives.
Utilisation de modèles de base pré-entraînés pour la classification automatique de l'EVI et de la MFI en IRM. Harmonisation fréquentielle pour réduire les variations inter-scanners. Performance supérieure aux benchmarks existants (AUC de 0,82 pour l'EVI et 0,77 pour la MFI).
Amélioration de la standardisation du diagnostic en oncologie digestive. Potentiel pour guider les décisions thérapeutiques en réduisant les biais inter-centres. Développement de méthodes d'IA généralisables à plusieurs centres.
Modéré