Chercheur responsable de l’axe
An TangMots-clés
Imagerie par résonance magnétique (IRM), élastographie, stéatose, stéatohépatite non-alcoolique (NASH), fibrose, foie, abdomen, cancer, carcinome hépatocellulaire, intelligence artificielle.
Domaines de recherche
A. Techniques ultrasonores quantitatives pour le diagnostic de la stéatohépatite non-alcoolique
An Tang est l’investigateur principal de l’essai clinique multidisciplinaire ‘Techniques ultrasonores quantitatives pour le diagnostic de la stéatohépatite non-alcoolique’ en partenariat avec le CHUM et le MUHC. L’étude inclut des volontaires ainsi que des patients atteints de stéatose et stéatohépatite non alcoolique et considère l’histopathologie comme standard de référence. Les techniques ultrasonores quantitatives mises en œuvre incluront l’analyse spectrale, les propriétés du speckle ultrasonore ainsi que les propriétés viscoélastiques. La performance diagnostique des techniques ultrasonores quantitatives sera évaluée pour la quantification de la stéatose, le diagnostic de la stéatohépatite non alcoolique et comparée avec la performance de l’imagerie par résonance magnétique (IRM) (Figure 1). Considérant le caractère non invasif, sécuritaire, économique et portable de l’imagerie ultrasonore, la validation clinique des techniques ultrasonores quantitatives devrait à terme complémenter l’IRM en apportant aux cliniciens de nouvelles techniques d’imagerie dans le contexte de diagnostic et de suivi thérapeutique des maladies chroniques du foie.
Figure 1. 57-year-old woman with type 2 diabetes before and after treatment. (A) Magnetic resonance spectroscopy (MRS), (B) liver mean MRI-proton density fat fraction (PDFF), (C) total liver volume, and (D) total liver fat index (TLFI). Tang A, et al. Diabetes care. 2015;38(7):1339-46.
B. Étude du cancer à l’aide de l’apprentissage profond et de l’intelligence artificielle
An Tang est co-investigateur principal du projet « Cancer Analysis with Deep Learning Artificial Intelligence (CANDELA) » impliquant le développement et l’application clinique de techniques d’intelligence artificielle (IA) en imagerie médicale. A l’aide d’une banque d’images de tumeurs hépatiques, nous évaluons les performances de méthodes d’IA basées sur l’apprentissage profond pour la détection, la segmentation (Figure 2), la classification ainsi que la prédiction des résultats cliniques tels que les taux de survie global et post-ablation. L’apprentissage profond a récemment démontré des performances proches du niveau humain dans les domaines de la reconnaissance et l’identification d’images. Nous estimons que ces techniques ont le potentiel d’améliorer la détection, la segmentation, la précision diagnostique ainsi que la prédiction de la réponse thérapeutique et les taux de survie. La technologie en cours de développement a un fort potentiel de transfert clinique et de commercialisation sous forme de licences technologiques.
Figure 2. Prior work in (A) liver segmentation, (B) automated tumor segmentation (red) in agreement with manual segmentation by radiology experts (green), and (C) vascular segmentation of portal veins (red) and hepatic veins (blue).Tumor segmentation is a required step for advanced feature analysis from images (radiomics).
C. Synthèse des connaissances en imagerie du foie
Notre groupe réalise parallèlement des études coût-utilité et contribue à des méta-analyses portant sur l’imagerie des maladies chroniques et du cancer du foie. Les études coût-utilité considèrent la pertinence des stratégies de surveillance des patients à haut risque de carcinome hépatocellulaire lorsque les examens d’échographie sont de qualité sous-optimale. Une méta-analyse évaluera la performance diagnostique de l’IRM du foie réalisée avec l’agent hépatobiliaire gadoxetate disodium pour le diagnostic de carcinome hépatocellulaire ainsi que les facteurs qui peuvent affecter cette performance. Ce travail a pour but d’homogénéiser les données probantes avec les guides de pratique en radiologie.
Modalités
Ultrasons (US), imagerie par résonance magnétique (IRM), tomodensitométrie (CT-scan), élastographie.
Pathologies
Cancer du foie; carcinome hépatocellulaire; maladies chroniques du foie; fibrose hépatique; maladie du foie gras non-alcoolique; stéatohépatite non-alcoolique.
Ces projets sont financés par :
Les Instituts de Recherche en Santé du Canada (IRSC), les Fonds de Recherche du Québec en Santé (FRQS), la Fondation de l’Association des Radiologistes du Québec (FARQ), l’Institut de Valorisation des Données (IVADO), le Consortium Québecois pour la Recherche Industrielle et l’Innovation en Technologies Médicales (MEDTEQ) et le Réseau de Bio-Imagerie du Québec (RBIQ).