Journal de médecine vasculaire et de chirurgie

Abstrait

Détection automatisée du cancer du poumon : comparaison entre médecins : une revue de la littérature

Kaviya Sathyakumar, Michael Munoz, Snehal Bansod, Jaikaran Singh, Jasmin Hundal, B Benson A. Babu

Introduction : Le cancer du poumon est la première cause de décès liés au cancer aux États-Unis et dans le monde. Les radiologues et les médecins sont confrontés à de lourdes charges de travail quotidiennes et présentent donc un risque élevé d'épuisement professionnel. Pour alléger ce fardeau, cette revue de la littérature compare les performances de quatre modèles d'IA différents dans la détection du cancer des nodules pulmonaires, ainsi que leurs performances par rapport aux médecins/radiologues.

Méthodes : 648 articles ont été extraits de 2008 à 2019. 4/648 articles ont été sélectionnés. Critères d'inclusion : 18-65 ans, scanner thoracique, nodule pulmonaire, cancer du poumon, apprentissage profond, méthodes d'ensemble et classiques. Critères d'exclusion : âge supérieur à 65 ans, tomodensitométries hybrides TEP, radiographie thoracique et génomique. Analyse des résultats : sensibilité, spécificité, exactitude, courbe ROC sensibilité-spécificité, aire sous la courbe (AUC). Bases de données : PubMed/MEDLINE, EMBASE, Cochrane library, Google Scholar, Web of science, IEEEXplore, DBLP.

Conclusion : L'architecture hybride d'apprentissage profond est une architecture de pointe, avec une précision de haute performance et un faible taux de faux positifs. Des études futures, comparant en profondeur la précision de chaque modèle, seraient précieuses. Les systèmes automatisés d'assistance aux médecins tels que cette architecture hybride peuvent aider à préserver une relation médecin-patient de haute qualité et à réduire l'épuisement professionnel des médecins.