Numérisation en radiomique - cours 2

Numérisation des données de santé

Identifier les bénéfices (accès, archivage, big data, IA) et les problématiques juridiques (RGPD), éthiques et techniques liés à la numérisation massive des données de santé.

Modalités d'imagerie médicale

Différencier les types d'imagerie (ultrasons, scanner X, IRM, TEP) et expliquer leur principe de reconstruction à partir de signaux physiques pour le diagnostic.

Définition de la radiomique

Définir la radiomique comme l'exploitation quantitative complète des images médicales pour la modélisation prédictive diagnostique, pronostique et thérapeutique.

Intelligence artificielle en radiomique

Expliquer le rôle de l'IA comme outil d'extraction automatique d'informations et d'aide à la décision clinique, sans remplacement du clinicien, et situer les tailles de cohortes typiques (quelques milliers de patients).

Hypothèses de travail

Énoncer les deux hypothèses fondamentales : les caractéristiques macroscopiques reflètent des propriétés sous-jacentes à plus petite échelle et les images contiennent plus d'information que la perception visuelle humaine.

Caractéristiques géométriques

Décrire l'extraction de caractéristiques géométriques (forme, surface) à partir des images médicales segmentées.

Caractéristiques statistiques

Expliquer l'extraction de caractéristiques statistiques basées sur l'analyse de l'histogramme des intensités des pixels.

Caractéristiques de texture

Définir les caractéristiques de texture (hétérogénéité, entropie) quantifiant la distribution spatiale et l'organisation des intensités dans l'image.

Processus en sept étapes

Ordonner les étapes du processus de radiomique : définition de la question clinique, collecte des données, amélioration et homogénéisation, segmentation, extraction de caractéristiques, modélisation et validation.

Division des données

Appliquer le découpage des données en ensembles d'entraînement ($50\%$), de validation ($30\%$) et de test ($20\%$) pour l'évaluation rigoureuse des modèles.

Modélisation prédictive

Expliquer l'association de caractéristiques radiomiques et de variables cliniques pour la construction de modèles statistiques et l'évaluation de leurs performances prédictives.

Architecture des réseaux profonds

Définir l'apprentissage profond comme sous-domaine de l'apprentissage machine basé sur des réseaux de neurones à plus de deux couches, inspiré du fonctionnement biologique des neurones.

Changement de paradigme

Comparer l'apprentissage machine classique et l'apprentissage profond selon l'expertise humaine requise, le nombre d'exemples nécessaires, la complexité du modèle et l'interprétabilité.

Avantages et inconvénients

Analyser les avantages (apprentissage automatique des caractéristiques, faible intervention humaine) et les inconvénients (besoin de grandes quantités de données, complexité, faible interprétabilité) du deep learning.

Segmentation manuelle et automatique

Comparer la segmentation manuelle (étape chronophage limitant la routine) et l'automatisation via réseaux de neurones pour la délimitation des lésions.

Réseaux de neurones convolutionnels

Expliquer le fonctionnement des réseaux de neurones convolutionnels (CNN) comme U-net pour la segmentation automatique de tumeurs avec des résultats rapides et performants.

Applications cliniques de la segmentation

Citer des exemples cliniques d'application (segmentation de tumeur du col de l'utérus excluant la vessie, lymphome) et leur applicabilité à d'autres pathologies.

Variabilité des acquisitions d'images

Identifier les sources de variabilité entre machines, protocoles et opérateurs affectant les caractéristiques extraites et la reproductibilité des analyses statistiques.

Harmonisation par apprentissage profond

Expliquer l'utilisation de réseaux profonds pour synthétiser les images vers un standard commun (ex : conversion entre scanners pulmonaires, harmonisation d'IRM cérébrales).

Caractéristiques de la radiomique idéale

Énumérer les critères de la radiomique idéale : standardisation mathématique et nomenclature, automatisation maximale, robustesse, valeur clinique démontrée et interprétabilité humaine.

Validation externe des modèles

Expliquer l'importance de la validation sur des données externes indépendantes et identifier les limites fréquentes (petits effectifs, absence de validation externe, corrélations non corrigées).

Limites du transfert clinique

Analyser les obstacles à l'intégration en routine clinique : automatisation insuffisante, manque de standards, hétérogénéité des images, manque de preuves prospectives multicentriques et problèmes d'explicabilité.

Challenges compétitifs et évaluation

Expliquer l'absence de modèle universel en apprentissage machine démontrée par les comparaisons empiriques et le rôle des challenges compétitifs pour l'évaluation objective des modèles.

Problème de la boîte noire

Expliquer le défi de l'explicabilité en radiomique profonde (modèles non interprétables directement) versus la radiomique classique (modèles explicables mais de complexité variable).

Cartes d'activation et interprétation

Décrire les méthodes d'interprétation visuelle par cartes d'importance (zones à impact fort ou faible) pour les réseaux profonds, illustrées par l'exemple de classification ResNet50.

Integrated gradients

Expliquer la technique des integrated gradients pour quantifier la contribution individuelle de chaque pixel à la décision de classification du réseau profond.

Métrique de fidélité explicative

Définir la métrique de fidélité (aire entre courbes de performance avec masquage des parties les plus et les moins importantes) pour évaluer objectivement la qualité des cartes d'explicabilité.