Stratification du risque d’hépatocarcinogénèse par analyse par apprentissage profond d’images radiologiques
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Dana, Jérémy
Date de soutenance : 29-08-2024

Directeur(s) de thèse : Baumert, Thomas - Gallix, Benoît

Établissement de soutenance : Strasbourg
Laboratoire : Institute for Translational Medicine and Liver Disease (Strasbourg ; 201.-....)
École doctorale : École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
 
Discipline : Sciences médicales
Classification : Médecine et santé

Mots-clés libres : Carcinome hépatocellulaire, Apprentissage profond, Échographie
Mots-clés :
  • Foie -- Maladies - Diagnostic
  • Foie -- Maladies - Facteurs de risque
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAJ023
Type de ressource : Thèse