Détection précoce du cancer du poumon grâce à l’intelligence artificielle

Un projet soutenu par le TÜBİTAK à l’Université Altınbaş vise à révolutionner le diagnostic du cancer du poumon en utilisant l’apprentissage automatique. Sous la direction de l’Assoc. Prof. Handan Tanyıldızı Kökkülünk, l’équipe du projet vise à permettre un diagnostic plus rapide et plus précis à travers la sarcopénie, les nouveaux biomarqueurs de l’inflammation et les biomarqueurs anatomiques-métaboliques PET/TDM. Avec l’augmentation de la population mondiale, il n’est plus envisageable de gérer le diagnostic des maladies uniquement par la force de travail humaine dans le domaine de la santé. Afin de réduire les coûts, d’augmenter l’efficacité, d’éliminer les erreurs du personnel dues à la négligence et au manque d’information, et de poser des diagnostics rapides, précis et fiables aux patients, les technologies d’intelligence artificielle sont utilisées. Dans ce contexte, l’utilisation de l’apprentissage automatique pour poser le diagnostic du cancer du poumon, l’une des formes de cancer à incidence élevée et à progression rapide dans notre société, revêt une importance particulière. Dans le cadre du projet TÜBİTAK 1001 intitulé “Prédiction du Diagnostic du Cancer du Poumon par l’Apprentissage Automatique à travers la Sarcopénie, les Nouveaux Biomarqueurs de l’Inflammation et les Biomarqueurs Anatomiques-Métaboliques PET/TDM” mené à l’Université Altınbaş, l’Assoc. Prof. Handan Tanyıldızı Kökkülünk a déclaré : “Nous visons à soutenir le diagnostic précoce du cancer du poumon.” Le projet prévoit également que cette approche innovante dans le diagnostic et le traitement du cancer du poumon, grâce au diagnostic précoce, améliorera la qualité de vie des patients et apportera de grands avantages aux systèmes de santé. Faisant le point sur le projet en cours, l’Assoc. Prof. Handan Tanyıldızı Kökkülünk a mentionné en priorité les données utilisées, en déclarant : “Actuellement, dans le cadre du projet, seuls des tests sanguins couramment pratiqués en clinique, des examens PET/TDM, sont effectués sur les patients. Grâce à ces examens, des marqueurs de l’inflammation tels que CRP, sédimentation sont obtenus à partir des résultats des tests sanguins, et des données telles que la valeur de captation normalisée, le volume tumoral métabolique sont calculées à partir des résultats de l’examen PET/TDM. D’autre part, la masse musculaire des patients est déterminée par le biais de tests de physiothérapie non invasifs. Toutes les données obtenues sont enregistrées et traitées pour être utilisées à l’étape de l’apprentissage automatique.” “Premier objectif : aider au diagnostic du cancer du poumon” L’Assoc. Prof. Tanyıldızı Kökkülünk a poursuivi en indiquant que le premier objectif du projet est “d’explorer de nouveaux biomarqueurs facilement accessibles, rapides, abordables et à faible coût, considérés comme aidant au diagnostic du cancer du poumon.” Elle a ajouté : “À travers les biomarqueurs identifiés, des algorithmes d’apprentissage automatique seront développés pour assurer un diagnostic précoce du cancer du poumon, facilitant ainsi une transition rapide vers l’étape du traitement. Il est prévu que cette approche innovante dans le diagnostic et le traitement du cancer du poumon, grâce au diagnostic précoce, améliorera la qualité de vie des patients et apportera de grands avantages aux systèmes de santé. De plus, le projet vise à former des chercheurs qualifiés et spécialisés dans le domaine.” Le diagnostic sera établi avant l’évaluation du médecin L’Assoc. Prof. Tanyıldızı Kökkülünk a également conclu en déclarant que le modèle d’apprentissage automatique capable de prédire avec une grande précision le diagnostic du cancer du poumon sera intégré à la clinique aux étapes suivantes. Ainsi, le diagnostic du cancer du poumon du patient intégrant les données dans le système sera établi avant l’évaluation du médecin, réduisant ainsi la charge de travail des médecins. Cette approche innovante permettra la mise en place d’un processus de diagnostic plus efficace et rapide dans le secteur de la santé.