Apprentissage profond pour la classification histopathologique et le pronostic des tumeurs musculaires lisses gynécologiques
Apprentissage profond pour la classification histopathologique et le pronostic des tumeurs musculaires lisses gynécologiques
Promoteur : Institut Bergonié
Titre et résumé traduits de l’anglais par le portail, à partir de la fiche publiée par le registre source, le 14 septembre 2026. Traduction automatique, sans relecture médicale : elle ne modifie ni n’interprète le contenu ; en cas de doute, le texte original fait foi.
Texte original (anglais)
Deep Learning for Histopathological Classification and Prognostication of Gynaecologic Smooth Muscle Tumours
Deep Learning for Histopathological Classification and Prognostication of Gynaecologic Smooth Muscle Tumours
Smooth muscle tumors of the uterus that do not fit the diagnostic criteria of benignity (such as leiomyomas) or malignancy (such as leiomyosarcomas) are called STUMP (smooth muscle tumor of uncertain malignant potential). A potential solution to this problem could be the application of predictive models using artificial intelligence (AI) to aid in the histopathological classification and prognosis of gynecological smooth muscle tumors. Deep learning using convolutional neural networks represents a specific class of machine learning, in which predictive models are trained by considering small groups of pixels in digital images and iteratively identifying salient features. In this study, we aim to develop deep learning models capable of accurately subclassifying and predicting the prognosis of gynecological smooth muscle tumors, based on histopathological features of hematoxylin and eosin (H\&E) slides. The aim is to develop a diagnostic and prognostic algorithm to help pathologists better classify and diagnose uterine smooth muscle tumors and predict their clinical course.
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.
Vous quittez essai-clinique.com pour le site externe clinicaltrials.gov, géré par l’organisme responsable de l’annonce. La candidature, les questions d’éligibilité et toute information médicale se traitent uniquement là-bas.
Important
essai-clinique.com ne recueille pas de candidature et ne détermine pas votre éligibilité. Ne transmettez aucune information médicale au site.
Les critères affichés sont une synthèse des informations disponibles. Seul l’organisme responsable de l’étude peut confirmer l’éligibilité d’une personne.