Risk stratification of hepatocarcinogenesis using deep learning analysis of radiological images
Stratification du risque d’hépatocarcinogénèse par analyse par apprentissage profond d’images radiologiques
Carcinome hépatocellulaire
Apprentissage profond
Échographie
Hepatocellular carcinoma
Deep learning
Ultrasound
616.36
610.28
Foie -- Maladies
Diagnostic
Foie -- Maladies
Facteurs de risque
Apprentissage profond
La cirrhose est une impasse clinique avec des complications potentiellement mortelles (insuffisance hépatique, hypertension portale, carcinome hépatocellulaire), responsable d'environ 1,8 % des décès chaque année. Lorsque les lésions hépatiques chroniques progressent, une décompensation de la maladie peut se produire, entraînant une diminution dramatique du taux de survie global. Une transition vers une évaluation non invasive de la progression des maladies hépatiques chroniques et de leur pronostic est crucial. Nous avons développé un modèle par apprentissage profond de stratification du risque de développer un carcinome hépatocellulaire à partir d’images échographiques du parenchyme hépatique non-tumoral. Le modèle de classification développé a atteint de bonnes performances diagnostiques avec un odds-ratio de 6,6 et une précision de 0,72 pour prédire les patients à haut risque d'hépatocarcinogenèse. Ce nouveau biomarqueur d'imagerie pourrait aider à stratifier le risque d'hépatocarcinogenèse parallèlement aux biomarqueurs cliniques ou biochimiques et permettre des stratégies de dépistage personnalisées basées sur le risque.
Cirrhosis is a clinical dead end with potentially fatal complications (liver failure, portal hypertension, hepatocellular carcinoma), responsible for around 1.8% of deaths each year. As chronic liver damage progresses, decompensation of the disease can occur, leading to a dramatic reduction in overall survival. A transition to non-invasive assessment of chronic liver disease progression and prognosis is crucial. We have developed a deep learning model for stratifying the risk of developing hepatocellular carcinoma based on ultrasound images of non-tumoral liver parenchyma. The classification model developed achieved good diagnostic performance with an odds ratio of 6.6 and an accuracy of 0.72 for predicting patients at high risk of hepatocarcinogenesis. This new imaging biomarker could help to stratify the risk of hepatocarcinogenesis alongside clinical or biochemical biomarkers and enable personalised risk-based screening strategies.
Electronic Thesis or Dissertation
Text
en
PDF
10472689
Université de Strasbourg
Strasbourg
2024-12-31
https://theses.hal.science/tel-05585243
application/pdf
12154751
http://www.theses.fr/2024STRAJ023/document
http://www.theses.fr/2024STRAJ023/abes
https://theses.hal.science/tel-05585243
Dana
Jérémy
1991-12-24
FR
234594268
0102011669Z
21928286
4200047
https://theses.fr/2024STRAJ023
2024STRAJ023
https://doi.org/10.70675/0ac226ebzd0cdz4b4cz9e5bz9590c9f20d72
2024-08-29
Sciences médicales
Strasbourg
131056549
Doctorat
Docteur es
non
oui
Baumert
Thomas
MADS_DIRECTEUR_DE_THESE_1
143387898
Gallix
Benoît
MADS_DIRECTEUR_DE_THESE_2
060772883
Aubé
Christophe
MADS_PRESIDENT_DU_JURY
074534998
Lewin
Maïté
MADS_MEMBRE_DU_JURY_1
069300798
Lampert
Thomas
MADS_MEMBRE_DU_JURY_2
273050559
Aubé
Christophe
MADS_RAPPORTEUR_1
074534998
Dohan
Anthony
MADS_RAPPORTEUR_2
168019418
École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
MADS_ECOLE_DOCTORALE_1
414
156502844
Institute for Translational Medicine and Liver Disease (Strasbourg ; 201X-....)
MADS_PARTENAIRE_DE_RECHERCHE_1
157770885
1192377
ddc:610
Baumert
Thomas
Gallix
Benoît
Aubé
Christophe
Lewin
Maïté
Lampert
Thomas
Aubé
Christophe
Dohan
Anthony
École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
Institute for Translational Medicine and Liver Disease (Strasbourg ; 201.-....)
PDF
10472689
confidentialité 2024-08-29 2025-12-31
confidentialité 2024-08-29 2025-12-31
confidentialité 2024-08-29 2025-12-31
confidentialité 2024-08-29 2025-12-31