Search

Le raisonnement clinique est au cœur de la compétence des médecins, car il permet en particulier de poser des diagnostics. Les erreurs diagnostiques sont toutefois fréquentes, en raison de l'existence de biais de raisonnement. L'intelligence artificielle connaît dans ce contexte un développement sans précédent. Elle est de plus en plus considérée comme une solution pour améliorer la performance diagnostique des médecins, voire pour réaliser cette tâche à leur place, de façon totalement autonome et plus efficiente. Afin d'appréhender les enjeux liés à l'essor de l'intelligence artificielle, il est important de comprendre comment fonctionne la machine pour diagnostiquer, quels sont les points communs et les différences avec le raisonnement diagnostique du médecin, et quelles sont les conséquences sur le plan de la formation et de la pratique médicales. Clinical reasoning is at the heart of physicians' competence, as it allows them to make diagnoses. However, diagnostic errors are common, due to the existence of reasoning biases. Artificial intelligence is undergoing unprecedented development in this context. It is increasingly seen as a solution to improve the diagnostic performance of physicians, or even to perform this task for them, in a totally autonomous and more efficient way. In order to understand the challenges associated with the development of artificial intelligence, it is important to understand how the machine works to make diagnoses, what are the similarities and differences with the physician's diagnostic reasoning, and what are the consequences for medical training and practice. [ABSTRACT FROM AUTHOR]

Abstract: In this paper, we present a framework to model and to use knowledge provided by experts for remote sensing image interpretation of coastal area. The goal of this approach is to associate semantic to regions issued from the segmentation of an image. The idea is to start with a raw description of the knowledge given by the expert on the different thematic object classes present in the image. This knowledge is then decomposed and formalized to be usable during the classification process. A first interpretation of the image is computed through an ontology with spectral information about the classes. Then, a set of Knowledge Functions (KFs) are defined according to the description of the expert''s knowledge. These KFs are then used to check the consistency of the spectral interpretation and to detect potentially mislabeled regions. The interpretation of these regions is revised in an iterative process to produce a more accurate final result. Experiments on remote sensing images of a coastal zone of Normandy, France are presented to show the relevance of the method. [Copyright &y& Elsevier]

Abstract: The increasing availability of High Spatial Resolution (HSR) satellite images is an opportunity to characterize and identify urban objects. Thus, the augmentation of the precision led to a need of new image analysis methods using region-based (or object-based) approaches. In this field, an important challenge is the use of domain knowledge for automatic urban objects identification, and a major issue is the formalization and exploitation of this knowledge. In this paper, we present the building steps of a knowledge-base of urban objects allowing to perform the interpretation of HSR images in order to help urban planners to automatically map the territory. The knowledge-base is used to assign segmented regions (i.e. extracted from the images) into semantic objects (i.e. concepts of the knowledge-base). A matching process between the regions and the concepts of the knowledge-base is proposed, allowing to bridge the semantic gap between the images content and the interpretation. The method is validated on Quickbird images of the urban areas of Strasbourg and Marseille (France). The results highlight the capacity of the method to automatically identify urban objects using the domain knowledge. [Copyright &y& Elsevier]

La sarcopénie est retrouvée chez les patients présentant un carcinome à cellules rénales localisé (CCR) et avec un poids normal. Il a été démontré que l'obésité sarcopénique pouvait jouer un rôle pronostique négatif dans la prise en charge du cancer. L'objectif de notre travail était: i) d'étudier la sarcopénie lors du diagnostic initial uniquement chez les patients présentant un excès de pondéral avec un CCR, ii) d'étudier l'impact de la sarcopénie sur l'évolution des patients. Les patients présentant un excès pondérale avec l'indice de masse corporelle (IMC) (un surpoids: 25 ≤ IMC < 30 kg/m2ou une obésité: IMC ≥ 30 kg/m2) et un CCR localisé ont été inclus rétrospectivement. Les surfaces totales du muscle squelettique et du tissu adipeux ont été évaluées par tomodensitométrie computérisé en coupe L3 sur les scanners réalisés au diagnostic. Les patients ont été classés dans groupe sarcopénique ou non sarcopénique sur la base de leur index de masse musculaire squelettique (SMI) (seuil de 41,0 cm2/m2chez les femmes et 53,0 cm2/m2chez les hommes). La densité du muscle squelettique (SMD) a également été étudiée (faible si < 31 unités de Hounsfield). Les tests statistiques utilisés étaient les test t de Student, du Chi2, et l'analyse de Kaplan–Meier pour la survie. Parmi les 100 patients inclus, 46 % étaient obèses et 42 % étaient sarcopéniques avant tout traitement. Le suivi médian était de 24,9 mois. Les patients atteints de sarcopénie étaient plus souvent des hommes (83,3 % vs 63,8 %, p = 0,042), en surpoids (73,8 % vs 39,7 %, p = 0,001) et plus âgés (68,5 ans vs 63,7 ans, p = 0,03) que les autres patients. Le SMI au diagnostic n'avait pas impact sur la morbidité (infections, durée du séjour à l'hôpital), ni sur la survie globale ou sur la survie sans progression. Dans le groupe surpoids, les patients avec une faible SMD avaient une survie globale diminuée (42,6 mois vs 111,3 mois; HR = 4,3, IC à 95 % [1,01–18,0], p = 0,03). Dans notre étude, la sarcopénie était présente chez 42 % des patients présentant un excès de pondéral avec un CCR localisé. Une faible SMD avait un impact négatif sur la survie globale des patients en surpoids. Cette évaluation, simple et rapide, pourrait être effectuée au diagnostic et au cours du suivi à l'aide des scanners afin d'améliorer la prise en charge de ces patients. [ABSTRACT FROM AUTHOR]