RéponsesPublié20 sources
DAMO RADAR : une IA pour repérer 146 anomalies sur un scanner abdominal
DAMO RADAR examine des scanners abdominaux avec injection de produit de contraste ; son évaluation porte sur 146 constatations cliniques réparties entre 18 organes. En associant les images aux comptes rendus existants, son entraînement vise à éviter de constituer un jeu d’annotations manuelles distinct pour chaque a...
Publié parModifié avec GPT-6 SolImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- DAMO RADAR examine des scanners abdominaux avec injection de produit de contraste ; son évaluation porte sur 146 constatations cliniques réparties entre 18 organes.
- En associant les images aux comptes rendus existants, son entraînement vise à éviter de constituer un jeu d’annotations manuelles distinct pour chaque affection.
- Sur près de 40 000 examens, l’AUC moyenne annoncée est de 0,913. Avec l’aide du modèle, les radiologues auraient manqué environ 10 % de constatations en moins et réduit leur temps de lecture d’environ 30 %.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How does Alibaba DAMO Academy’s open weight DAMO RADAR model, developed with clinical partners and published in Science, analyze contrast en. Article summary: DAMO RADAR is a vision language model designed to screen a contrast enhanced abdominal CT scan for 146 reported findings across 18 organs, rather than run a separate detector for each disease.. Topic tags: general web, ai, code, benchmarks, marketing. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbai
L’intérêt de DAMO RADAR n’est pas de chercher une seule maladie à la fois. Développé par la DAMO Academy d’Alibaba avec des partenaires cliniques et présenté dans une étude publiée dans Science, ce modèle associant vision et langage analyse des scanners abdominaux réalisés avec injection de produit de contraste. Il a été évalué sur 146 constatations cliniques concernant 18 organes, parmi lesquelles figurent des tumeurs et d’autres anomalies. Le chiffre de 146 désigne les constatations évaluées : il ne faut pas l’interpréter comme une preuve qu’il diagnostique avec la même fiabilité 146 maladies distinctes. 3
4
12
Comment passe-t-il d’une maladie à plusieurs ?
Plutôt que d’entraîner un détecteur indépendant pour chaque affection, les chercheurs associent les scanners aux comptes rendus cliniques correspondants. Ces textes fournissent des descriptions dont le modèle peut apprendre, sans qu’il faille créer pour chaque condition un nouveau jeu d’annotations manuelles des images. Les éléments disponibles ne permettent toutefois pas de préciser toutes les étapes de cet entraînement ni d’affirmer qu’il reconnaîtrait de manière fiable une affection entièrement nouvelle. 5
16
Que montrent les essais ?
Sur près de 40 000 examens réalisés en conditions réelles, l’aire moyenne sous la courbe ROC, ou AUC, rapportée pour les 146 constatations est de 0,913. Cet indicateur mesure la capacité à distinguer les cas positifs des cas négatifs selon différents seuils de décision ; il ne signifie pas que 91,3 % des diagnostics seraient corrects. 14
15
Dans une comparaison avec 26 radiologues, le modèle a obtenu un meilleur résultat que 23 d’entre eux selon le critère retenu dans l’étude. Les comptes rendus disponibles indiquent aussi qu’avec son assistance, les médecins ont manqué environ 10 % de constatations en moins et réduit leur temps de lecture d’environ 30 %. Ils ne permettent cependant pas d’établir leurs valeurs exactes de sensibilité avant et après assistance, ni de savoir si les 10 % correspondent à une baisse relative ou à des points de pourcentage. 1
6
La généralisation reste une question ouverte : les sources disponibles ne donnent pas de résultat suffisamment vérifiable pour chiffrer les performances sur des scanners provenant d’autres hôpitaux ou populations. DAMO Academy a annoncé une diffusion en accès ouvert, et des comptes rendus indiquent que les poids du modèle sont disponibles. Son usage envisageable est celui d’un second lecteur pour aider le radiologue, non d’un diagnostic autonome ni d’un substitut à une validation clinique dans chaque contexte d’utilisation. 3
4
7
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « DAMO RADAR : une IA pour repérer 146 anomalies sur un scanner abdominal » ?
DAMO RADAR examine des scanners abdominaux avec injection de produit de contraste ; son évaluation porte sur 146 constatations cliniques réparties entre 18 organes.
Quels sont les points clés à valider en premier ?
DAMO RADAR examine des scanners abdominaux avec injection de produit de contraste ; son évaluation porte sur 146 constatations cliniques réparties entre 18 organes. En associant les images aux comptes rendus existants, son entraînement vise à éviter de constituer un jeu d’annotations manuelles distinct pour chaque affection.
Que dois-je faire ensuite en pratique ?
Sur près de 40 000 examens, l’AUC moyenne annoncée est de 0,913. Avec l’aide du modèle, les radiologues auraient manqué environ 10 % de constatations en moins et réduit leur temps de lecture d’environ 30 %.