NGSE-Corr classe la précision d’imagerie sans étalon

Sur une même image clinique, trois méthodes de délimitation tumorale peuvent dessiner trois volumes différents. La taille réelle de la tumeur est généralement inconnue, ce qui prive les médecins et les chercheurs d’une référence fiable. À la Washington University à Saint-Louis, Abhinav Jha et son équipe ont développé NGSE-Corr, une technique conçue pour classer la précision des mesures d’imagerie médicale sans cet étalon de référence manquant.

La méthode s’attaque à un problème subtil lié aux mesures répétées. Lorsque plusieurs outils évaluent la même tumeur, les fluctuations aléatoires de leurs résultats peuvent être corrélées plutôt qu’indépendantes. Jha a modifié une formulation mathématique antérieure pour tenir compte de ce bruit partagé, puis a utilisé des expériences numériques afin de vérifier si NGSE-Corr pouvait classer les méthodes selon leur précision.

L’équipe a ensuite mené un essai virtuel d’imagerie avec trois méthodes quantitatives mesurant la captation régionale d’activité chez des patients générés par ordinateur atteints d’un cancer de la prostate résistant à la castration avec métastases osseuses et traités au radium-223. Sans connaître la vérité terrain — la valeur réelle que les outils étaient censés mesurer —, la technique a correctement classé les méthodes dans 91 % des essais menés avec des groupes de 50 patients virtuels. Elle a identifié la méthode la plus précise dans 95 % des essais, les groupes de patients plus importants améliorant encore les résultats.

Ce que cela pourrait changer : les chercheurs pourraient utiliser des données cliniques pour comparer de nouveaux outils d’imagerie, y compris des systèmes fondés sur l’IA, sans devoir d’abord obtenir une mesure de référence coûteuse ou chronophage. Les médecins pourraient disposer d’un autre moyen d’évaluer des méthodes de mesure concurrentes, tandis que les autorités de réglementation pourraient utiliser cette approche pour évaluer de nouvelles technologies d’imagerie médicale. La technique n’a pas encore été validée avec des données cliniques : les résultats rapportés proviennent d’expériences numériques et de patients générés par ordinateur.

Le projet était dirigé par Jha, professeur associé de génie biomédical à la McKelvey School of Engineering de la Washington University et de radiologie au Mallinckrodt Institute of Radiology de WashU Medicine. Yan Liu est le premier auteur de l’étude, dont Daniel L. J. Thorek, Barry A. Siegel et Jingqin Luo sont les coauteurs. Les résultats ont été publiés dans IEEE Transactions on Medical Imaging.