Apprentissage profond pour la classification histopathologique et le pronostic des tumeurs musculaires lisses gynécologiques
Les tumeurs musculaires lisses de l'utérus qui ne répondent pas aux critères diagnostiques de bénignité (comme les léiomyomes) ni de malignité (comme les léiomyosarcomes) sont appelées STUMP (tumeur musculaire lisse de potentiel malin incertain). Une solution potentielle à ce problème pourrait être l'application de modèles prédictifs utilisant l'intelligence artificielle (IA) pour aider à la classification histopathologique et au pronostic des tumeurs musculaires lisses gynécologiques. L'apprentissage profond utilisant des réseaux de neurones convolutifs représente une classe spécifique d'apprentissage automatique, dans laquelle des modèles prédictifs sont entraînés en considérant de petits groupes de pixels dans des images numériques et en identifiant de manière itérative des caractéristiques saillantes. Dans cette étude, l'objectif est de développer des modèles d'apprentissage profond capables de sous-classer avec précision et de prédire le pronostic des tumeurs musculaires lisses gynécologiques, sur la base des caractéristiques histopathologiques de lames colorées à l'hématoxyline et à l'éosine (H&E). L'objectif est de développer un algorithme diagnostique et pronostique pour aider les pathologistes à mieux classer et diagnostiquer les tumeurs musculaires lisses utérines et à prédire leur évolution clinique.
Non précisée · Réf. NCT06540846
Mis à jour le