Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
On a brain MRI, the most consequential line may be the one an algorithm draws around a tumor—and the places where it admits that line could be wrong. Researchers at the University of California, San Francisco, developed an AI framework that segments meningiomas in three dimensions while producing maps of its own uncertainty, a step toward safer volume measurements and treatment monitoring.
Sur une IRM cérébrale, la ligne la plus lourde de conséquences est peut-être celle qu’un algorithme trace autour d’une tumeur — et les endroits où il reconnaît que cette ligne pourrait être erronée. Des chercheurs de l’University of California, San Francisco, ont développé un cadre d’IA qui segmente les méningiomes en trois dimensions tout en produisant des cartes de sa propre incertitude, une étape vers des mesures de volume et un suivi thérapeutique plus sûrs.
MRI is among the most accurate imaging tests for diagnosing brain tumors, but tumor size is often assessed with subjective judgment or simplified two-dimensional measurements. Those shortcuts can miss the true burden of a slow-growing or irregularly shaped meningioma. A three-dimensional map captures more of the tumor’s space; the challenge is knowing when an automated boundary is dependable.
L’IRM est l’un des examens d’imagerie les plus précis pour diagnostiquer les tumeurs cérébrales, mais leur taille est souvent évaluée à partir d’un jugement subjectif ou de mesures bidimensionnelles simplifiées. Ces raccourcis peuvent sous-estimer le volume réel d’un méningiome à croissance lente ou de forme irrégulière. Une carte tridimensionnelle rend mieux compte de l’espace occupé par la tumeur ; le défi consiste à déterminer à quel moment une frontière automatisée est fiable.
The UCSF team used an ensemble of Evidential Deep Learning models—AI models combined to estimate uncertainty—to distinguish confident segmentations from ambiguous ones. The framework was trained on 1,655 MRIs from 788 patients, including postoperative scans, where treatment-related changes can resemble tumor tissue and raise uncertainty. On an independent test set of 68 MRIs from 43 patients, the uncertainty maps aligned with regions that neuroradiologists identified as ambiguous, and the volume estimates were well calibrated.
L’équipe de l’UCSF a utilisé un ensemble de modèles d’Evidential Deep Learning — des modèles d’IA combinés pour estimer l’incertitude — afin de distinguer les segmentations fiables des segmentations ambiguës. Le cadre a été entraîné sur 1 655 IRM provenant de 788 patients, notamment des examens postopératoires, où les modifications liées au traitement peuvent ressembler à du tissu tumoral et accroître l’incertitude. Sur un jeu de test indépendant de 68 IRM provenant de 43 patients, les cartes d’incertitude correspondaient aux régions identifiées comme ambiguës par les neuroradiologues, et les estimations de volume étaient bien calibrées.
External validation in 353 patients provided evidence that the approach could generalize beyond the training data. Andreas Rauschecker, UCSF assistant professor of radiology and co-chief of Intelligent Imaging Research, said the aim was to quantify how much uncertainty remains in a tumor-volume estimate rather than treat every AI output as definitive. The framework could also be applied to lesion segmentation beyond meningiomas, according to Rauschecker.
Une validation externe menée auprès de 353 patients a fourni des éléments indiquant que cette approche pouvait se généraliser au-delà des données d’entraînement. Andreas Rauschecker, professeur adjoint de radiologie à l’UCSF et codirecteur de la recherche en imagerie intelligente, a expliqué que l’objectif était de quantifier le niveau d’incertitude restant dans une estimation du volume tumoral, plutôt que de considérer chaque résultat de l’IA comme définitif. Selon Andreas Rauschecker, le cadre pourrait également être appliqué à la segmentation de lésions autres que les méningiomes.
So what changes in practice? A clinician could receive not only an automated tumor contour and volume, but also a visual signal showing where to inspect the result most closely—particularly when image quality is uneven, anatomy hides the border or subtle changes over time matter. That could make quantitative monitoring more useful without turning the algorithm into an unquestioned authority. The model was trained exclusively on internal private data and designed for a local workflow; the researchers say multicenter datasets and multiple-rater annotations are still required to fully test its uncertainty against differences between human readers.
Qu’est-ce qui change en pratique ? Un clinicien pourrait recevoir non seulement un contour et un volume tumoraux automatisés, mais aussi un signal visuel indiquant les zones à examiner le plus attentivement — notamment lorsque la qualité des images est inégale, que l’anatomie masque la frontière ou que de légères évolutions au fil du temps sont importantes. Cette approche pourrait rendre le suivi quantitatif plus utile sans transformer l’algorithme en autorité incontestable. Le modèle a été entraîné exclusivement sur des données internes privées et conçu pour un flux de travail local ; les chercheurs indiquent que des jeux de données multicentriques et des annotations provenant de plusieurs évaluateurs restent nécessaires pour tester pleinement son incertitude face aux différences entre lecteurs humains.