U-CBAMNet : un modèle d'apprentissage profond guidé par l'attention pour prédire précisément et de manière explicable l'expression HER2 à partir des vidéos d'échographie mammaireU-CBAMNet: an attention-guided deep learning model for accurate and explainable prediction of HER2 expression from breast ultrasound cine videos.
- Développement d'U-CBAMNet, modèle d'apprentissage profond combinant CBAM et EfficientNet-B3 pour prédire HER2 à partir d'échographies.
- Précision de 87,32 % et AUC de 0,88, supérieure aux modèles de référence (ResNet50, DenseNet121, etc.).
- Utilisation de cartes d'attention (Grad-CAM) pour identifier les régions diagnostiques pertinentes.
L'article présente une innovation technique en imagerie médicale et oncologie, mais son lien direct avec les neurosciences est limité. Pertinent pour les cliniciens en oncologie et en radiologie, mais moins pour les neurosciences.
Étude rétrospective sur un petit échantillon (149 patients), nécessitant une validation sur des données prospectives. Performance dépendante de la qualité des vidéos d'échographie disponibles. Absence de données sur la généralisation à d'autres populations ou pathologies.
L'évaluation précise de l'expression HER2 est cruciale pour le traitement du cancer du sein, mais les méthodes actuelles (immunohistochimie, FISH) sont invasives et coûteuses. L'article propose U-CBAMNet, un modèle d'apprentissage profond intégrant un module d'attention amélioré (CBAM) et EfficientNet-B3, pour prédire non invasivement l'expression HER2 à partir de vidéos d'échographie. Testé sur 149 patients, le modèle atteint une précision de 87,32 %, avec des cartes d'attention validées par des radiologues. Cette approche pourrait servir d'outil complémentaire aux tests moléculaires, facilitant la stratification préopératoire et la planification personnalisée. Cependant, les limites incluent une validation nécessaire sur des données prospectives.
Développement d'U-CBAMNet, modèle d'apprentissage profond combinant CBAM et EfficientNet-B3 pour prédire HER2 à partir d'échographies. Précision de 87,32 % et AUC de 0,88, supérieure aux modèles de référence (ResNet50, DenseNet121, etc.). Utilisation de cartes d'attention (Grad-CAM) pour identifier les régions diagnostiques pertinentes. Approche non invasive, potentielle alternative économique aux tests moléculaires.
Permet une évaluation précoce de HER2 sans biopsie, utile pour la stratification des risques et la planification thérapeutique. Réduction des coûts et des biais liés aux méthodes invasives actuelles. Application possible en imagerie médicale pour d'autres biomarqueurs.
Modéré