Introduction En statistique, la régression recouvre plusieurs méthodes d’analyse permettant d’évaluer une variable à partir d’autres qui lui sont corrélées. Messages principaux La régression étudie la relation entre une variable, dite « à expliquer », et une ou plusieurs variables, dites « explicatives ». Elle permet d’estimer des coefficients qui quantifient la relation entre la variable à expliquer et le/la variable(s) explicatives(s). Lorsque la valeur explicative est continue, le modèle le plus fréquemment utilisé est la régression linéaire. Lorsque le modèle n’est pas linéaire, une régression approchée par des algorithmes itératifs peut être utilisée et on parle de régression non linéaire. Lorsque la variable est catégorielle, le modèle le plus fréquemment utilisé est la régression logistique. Lorsqu’on s’intéresse à des données de survie, le modèle le plus fréquemment utilisé est le modèle de Cox. Conclusion Il existe différentes méthodes de régression permettant d’évaluer la relation entre deux variables. Cet article présente succinctement ces différentes méthodes.

Introduction Cet article présente un panorama des actions internationales et des partenariats de la Société française de radiologie (SFR) et du Collège des enseignants en radiologie de France (CERF), via la Commission des relations internationales de la radiologie française (C-RIRF). Messages principaux La C-RIRF contribue à la formation et aux échanges en radiologie en proposant différentes bourses pour les étudiants étrangers. Elle encourage la mobilité des jeunes radiologues français à se former à l’étranger et/ou à participer à des congrès internationaux. La commission développe également des coopérations fructueuses avec certains pays partenaires et cet article détaille en particulier les actions menées avec le Vietnam et la Côte d’Ivoire, pays à l’honneur aux Journées francophones de radiologie (JFR) 2025. De nombreux autres partenariats ont été développés avec des sociétés savantes en Amérique latine, en Europe centrale, en Asie et en Afrique, illustrant le dynamisme et l’ouverture internationale de la radiologie française. Les JFR internationales offrent par exemple la possibilité d’assister aux JFR en duplex de Paris. Conclusion Cet article met en lumière le rôle majeur de la SFR et du CERF dans la formation des jeunes radiologues, les échanges scientifiques avec pour objectifs principaux l’amélioration des pratiques, le partage des connaissances et des compétences, et le renforcement du rayonnement scientifique de la radiologie française.

Introduction Les erreurs liées à une mauvaise utilisation des statistiques peuvent contribuer à des conclusions erronées, compromettre la validité des études et surestimer ou sous-estimer les effets du traitement. Cet article présente les principales erreurs observées dans la littérature scientifique. Messages principaux Les erreurs statistiques courantes dans la recherche médicale comprennent le biais d’échantillonnage, la détermination incorrecte de l’échantillon, l’absence d’ajustement pour les comparaisons multiples, l’interprétation erronée des valeurs p comme mesure de la taille de l’effet ou de la pertinence clinique, le choix de tests incorrects pour un ensemble de données particulier, les erreurs de type I et II, la « pêche aux données » et le biais de publication. Conclusion Il est important que les chercheurs et les lecteurs interprètent leurs résultats à l’aide de concepts statistiques appropriés en sollicitant l’avis de statisticiens spécialisés.

Introduction Les tests statistiques sont des outils mathématiques permettant d’analyser les données générées par une étude de recherche. Messages principaux Lors du choix d’un test statistique, il faut tenir compte du type de conception de l’étude, du nombre de groupes pour la comparaison et du type de données (c’est-à-dire, continues, dichotomiques ou catégorielles). Il faut également déterminer si les observations sont indépendantes, si leur variance est homogène et si la distribution est normale. Si ces conditions sont remplies, un test paramétrique peut être utilisé. Dans le cas contraire, il faut utiliser un test non paramétrique. Conclusion Le choix du test statistique approprié est une démarche complexe qui requiert une expertise. Une bonne étude doit être pilotée par un statisticien professionnel.

Introduction Comparer la survie des patients entre deux groupes, par exemple traités par deux traitements différents, est un enjeu important en médecine. Messages importants Il est possible de comparer la survie globale (overall survival), l’évènement étant le décès, ou la survie sans maladie (free-disease survival), l’évènement étant la récidive de la maladie. L’étude évalue donc le temps écoulé jusqu’à la survenue de l’événement considéré. Les patients pour lesquels on ne connaît pas l’état à la fin d’une étude constituent des données dites censurées. La représentation graphique de la survenue d’un évènement est représentée par une courbe de survie dite de Kaplan-Meier où l’abscisse est le temps et l’ordonnée la probabilité de survivre (c’est-à-dire que l’événement ne soit pas encore survenu) au moins jusqu’à la date t : S(t). Le test permettant de comparer deux courbes de survie est le test du log-Rank. Le modèle semi-paramétrique de Cox permet d’exprimer le risque instantané de survenue de l’événement en fonction de l’instant t et des variables explicatives de l’étude. Il repose sur l’hypothèse de proportionnalité des risques : le rapport des risques (hazard ratio) des variables est supposé constant au cours du temps. Conclusion Comprendre comment s’évalue la survie des patients est un enjeu majeur des études scientifiques en médecine. Cet article détaille les différentes notions nécessaires à la compréhension de ces études.

Introduction Cet article est le deuxième épisode d’une série sur les statistiques en médecine. Il aborde les types de variables et comment évaluer la tendance centrale. Messages principaux Il existe deux grands types de variable: les variables quantitatives s’exprimant par un nombre, et les variables qualitatives exprimant une qualité. La tendance centrale décrit un ensemble de variables quantitatives. La moyenne, la médiane et le mode sont les trois méthodes possibles. Conclusion Cet article explicite les notions de variables quantitatives et qualitatives et les notions de moyenne, médiane et mode.

Introduction Les indications actuelles d’immunothérapie dans la prise en charge des cancers gastriques avancés sont soumises à l’expression du Programmed Death Ligand 1 (PD-L1), évaluée en immunohistochimie en calculant le Combined Positive Score (CPS) qui prend en compte l’expression de PD-L1 sur les cellules tumorales et les cellules immunitaires. L’évaluation de ce biomarqueur est chronophage, opérateur-dépendant et hétérogène au sein de la même tumeur. Objectif Cette étude vise à prédire l’expression de PD-L1 par le score CPS chez des patients atteints d’adénocarcinome gastrique avancé, sur scanner pré-thérapeutique par un algorithme de Deep Learning, cherchant ainsi à identifier un biomarqueur radiologique en intelligence artificielle plus simple, reproductible et non invasif. Matériel et méthode Nous avons mené une étude rétrospective multicentrique, incluant tous les patients atteints d’un adénocarcinome gastrique avancé. Les critères d’inclusion étaient un adénocarcinome gastrique ou de la jonction oeso-gastrique histologiquement prouvé, une tumeur localement avancée de stade T3 ou T4, non résécable, un tissu tumoral et imagerie par scanner disponibles et obtenus avant le début du traitement systémique.Le CPS a été calculé pour chaque patient en évaluant l’expression de PD-L1 en immunohistochimie avec comme seuil positif un CPS PD-L1 ≥1. Les images de tomodensitométrie ont été collectées et segmentées en utilisant une technique d’apprentissage profond à l’aide de l’outil Total Segmentator. Afin de prédire le CPS sur les images de tomodensitométrie, différentes architectures de réseaux de neurones ont été utilisées et comparées entre elles. Une validation croisée à cinq plis a été utilisée pour évaluer la performance des différents modèles.Elle divise l’ensemble de données en sous ensemble et en un nombre prédéfini. Le processus d’entraînement et de validation est répété plusieurs fois. Les indices d’évaluation adoptés dans cette étude comprennent la matrice de confusion, l’aire sous la courbe, la validation, la précision, et le rappel. Résultats Au total sur les 58 patients atteints d’adénocarcinome oeso-gastrique inclus, la majorité étaient des hommes, avec un poids moyen de 70,8kg et un âge moyen de 65 ans. En immunohistochimie 23 patients présentaient un CPS positif (≥1) et 35 un CPS négatif. Après analyse par apprentissage profond, parmi les réseaux de neurones testés le modèle SENet (192, 192, 96) a correctement prédit le score CPS pour 41(71 %) patients (13 CPS positifs, 28 CPS négatifs). Les autres modèles DenseNet, EfficientB7 et SENet (128, 128, 64) ont permis 27(46 %), 36(62 %) et 37(64 %) prédictions correctes, respectivement. Le modèle SENet a également obtenu en moyenne un AUC de 0,64, une précision de validation de 0,70, une précision de 0,73 et un rappel de 0,56 sur les cinq plis de validation croisée. Les autres modèles ont obtenu des performances limitées. Conclusion Cette étude pilote suggère que le deep learning pourrait être utilisé pour estimer le CPS de manière simple, reproductible et non invasive dans les adénocarcinomes oeso-gastriques avancés.

Introduction Cet article est le troisième épisode d’une série sur les statistiques en médecine. Il aborde la mesure de la dispersion. Messages principaux Les mesures de dispersion communément appelées variabilité fournissent des informations sur la position relative des points de données dans l’échantillon. Cette évaluation peut être faite en utilisant les paramètres suivants : l’étendue (range), l’intervalle interquartile, l’écart type (standard deviation), l’erreur type à la moyenne (ETM) et le coefficient de variation. Conclusion Comprendre comment est évaluée la dispersion des valeurs permet d’appréhender la distribution des données.

Introduction Cet article est le quatrième épisode d’une série sur les statistiques en médecine. Il aborde l’évaluation d’un test diagnostique. Messages principaux La mesure de la performance d’un test diagnostique utilise la sensibilité (probabilité qu’une personne obtienne un résultat positif si elle est atteinte de la maladie), la spécificité (probabilité qu’une personne obtienne un résultat négatif si elle n’est pas atteinte de la maladie), la valeur prédictive positive (probabilité que la maladie soit réellement présente si le résultat du test est positif) et la valeur prédictive négative (probabilité que la maladie soit réellement absente si le résultat du test est négatif). À partir de ces valeurs sont calculés les rapports de vraisemblance, l’indice de Youden et établi la courbe ROC (receiver operating characteristic), ces évaluations permettant d’évaluer la qualité du test. Conclusion Cet article détaille comment sont évalués les tests diagnostiques et donne les éléments permettant une analyse critique de ces évaluations.

Introduction Par définition, la valeur p, habituellement choisie à 0,05, est la probabilité que l’hypothèse nulle (pas de différence entre des groupes : H0 = H1) soit rejetée ou non. Messages principaux Dans le cadre d’un essai thérapeutique, une valeur de p choisie à 0,05 signifie qu’il existe une probabilité de 5 % que le hasard puisse expliquer à lui seul une différence au moins aussi importante que celle qui a été observée. En d’autres termes, si l’on suppose que dans la population, il n’existe aucune relation entre les variables et que l’on répète des expériences les unes après les autres, on peut s’attendre à ce qu’environ toutes les 20 répétitions de l’expérience, il y en ait une où la relation entre les variables soit trouvée vraie alors qu’en réalité elle n’existe pas. Le choix de 0,05 est une convention arbitraire. L’ampleur de l’effet, la taille de l’échantillon et l’étendue des données influent sur la valeur de p. Conclusion Écrire qu’une différence est statistiquement significative sans autre élément n’est pas acceptable. Il faut renseigner la valeur exacte de p, les intervalles de confiance et la taille de l’effet.

Introduction Cet article est introductif à une série de plusieurs parties sur l’analyse statistique destinée aux radiologues. Messages principaux La 1re partie traite des questions fondamentales dans la planification d’une étude : la question de la recherche, les objectifs, la conception appropriée et les tests statistiques. La 2e partie se concentre sur l’identification de la question de l’étude et des objectifs, soulignant l’importance d’une approche scientifique. Elle met en garde contre des approches non scientifiques telles que la simple collecte de données ou de cas sans question claire. La 3e partie distingue les études descriptives et analytiques. Les études descriptives, telles que les enquêtes transversales et les études corrélationnelles, sont discutées, tout comme les études analytiques, qui peuvent être observationnelles (cas contrôles, cohortes) ou expérimentales (essais cliniques). Dans une 4e partie, les notions d’efficacité, d’utilité et d’efficience dans l’évaluation des services médicaux sont également explicitées. Conclusion Ce premier épisode d’une série « Guide pratique pour comprendre les publications scientifiques » souligne la nécessité d’une formulation précise des questions, d’objectifs clairs et du choix approprié du type d’étude.

La consultation de radiologie interventionnelle fait partie du parcours de soins du patient en radiologie interventionnelle. Sa conduite et son organisation obéissent à des recommandations présentées dans cet article et reprenant les points suivants : qui la réalise ; comment informe-t-on le patient ; comment doivent être organisés les locaux et la gestion documentaire ; comment le patient doit-il recevoir l’information ; quels doivent être les éléments du dossier de consultation du patient ; et quels documents doivent être générés et archivés dans le dossier patient informatisé de l’établissement (lettre de consultation, les documents d’information et consentement).

La chimioembolisation hépatique est une méthode validée de traitement de certains carcinomes hépatocellulaires et de certaines métastases hépatiques en cas de maladie hépatique prédominante. Cet article présente les recommandations de la Fédération de radiologie interventionnelle (FRI) et la société d’imagerie abdominale et digestive (la SIAD), groupes de la Société française de radiologie.