Jeudi 27 août 2026

Aube.

Les nouvelles du progrès
Original et traduction

NGSE-Corr classe la précision d’imagerie sans étalon

Quitter la comparaison

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.

Original · anglais
NGSE-Corr ranks imaging precision without a gold standard
Traduction · français
NGSE-Corr classe la précision d’imagerie sans étalon
Original · anglais
Washington University researchers developed NGSE-Corr to compare imaging tools when the true measurement is unknown.
Traduction · français
Des chercheurs de la Washington University ont développé NGSE-Corr pour comparer des outils d’imagerie lorsque la mesure réelle est inconnue.
Original · anglais
In virtual trials, it ranked methods correctly in 91% of groups containing 50 patients.
Traduction · français
Lors d’essais virtuels, la méthode a correctement classé les outils dans 91 % des groupes de 50 patients.
Original · anglais
The approach could help researchers, clinicians and regulators assess AI-based imaging tools using clinical data.
Traduction · français
Cette approche pourrait aider les chercheurs, les cliniciens et les autorités de réglementation à évaluer des outils d’imagerie fondés sur l’IA à partir de données cliniques.
Original · anglais

On the same clinical image, three tumor-delineation methods can draw three different volumes. The actual tumor size is usually unavailable, leaving doctors and researchers without a clean yardstick. At Washington University in St. Louis, Abhinav Jha and his team have developed NGSE-Corr, a technique designed to rank the precision of medical imaging measurements without that missing gold standard.

Traduction · français

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.

Original · anglais

The method tackles a subtle problem in repeated measurement. If several tools assess the same tumor, random fluctuations in their outputs may be correlated rather than independent. Jha modified an earlier mathematical formulation to account for that shared noise, then used numerical experiments to test whether NGSE-Corr could sort methods by precision.

Traduction · français

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.

Original · anglais

The team next ran a virtual imaging trial involving three quantitative methods for measuring regional activity uptake in computer-generated patients with bone metastatic castrate-resistant prostate cancer treated with radium-223. Without knowing the ground truth—the actual value the tools were meant to measure—the technique ranked the methods correctly in 91% of trials conducted in groups of 50 virtual patients. It identified the most precise method in 95% of trials, with larger patient groups improving the results further.

Traduction · français

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.

Original · anglais

What this could change: Researchers could use clinical data to compare new imaging tools, including AI-based systems, without first obtaining an expensive or time-consuming reference measurement. Physicians may gain another way to judge competing measurement methods, while regulators could use the approach when evaluating new medical imaging technologies. The technique has not yet been validated with clinical data: the reported results come from numerical experiments and computer-generated patients.

Traduction · français

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.

Original · anglais

The project was led by Jha, an associate professor of biomedical engineering at Washington University's McKelvey School of Engineering and of radiology at WashU Medicine's Mallinckrodt Institute of Radiology. Yan Liu was the study's first author, with Daniel L. J. Thorek, Barry A. Siegel and Jingqin Luo as co-authors. The findings were published in IEEE Transactions on Medical Imaging.

Traduction · français

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.

Revenir à l’article