Le cancer de l'ovaire (CO) reste l'une des tumeurs gynécologiques les plus mortelles dans le monde. Malgré la mise en œuvre de diverses approches d'imagerie médicale pour le dépistage du CO, réaliser un diagnostic différentiel précis des tumeurs ovariennes continue de représenter un défi majeur en raison de la variabilité des performances des images, ce qui entraîne un manque d'objectivité reposant fortement sur l'expertise des professionnels de santé. Ce défi peut être relevé grâce à l'émergence et aux progrès de la radiomique, qui permet l'extraction à haut débit d'informations précieuses à partir des images médicales conventionnelles. De plus, la radiomique peut s'intégrer à la génomique, une approche novatrice appelée radiogénomique, qui permet une évaluation plus complète, précise et personnalisée des caractéristiques biologiques de la tumeur. Dans cette revue, nous présentons une vue d'ensemble approfondie de l'application de la radiomique et de la radiogénomique dans le diagnostic et la prédiction des tumeurs ovariennes. Les résultats indiquent que les méthodes d'intelligence artificielle basées sur l'imagerie peuvent différencier avec précision les tumeurs ovariennes bénignes et malignes, ainsi que classer leurs sous-types. De plus, ces méthodes sont efficaces pour prédire les taux de survie, les résultats des traitements, le risque de métastases et de récidives chez les patientes atteintes de CO. Ces avancées devraient fonctionner comme des outils d'aide à la décision pour la gestion du CO tout en contribuant à l'avancement de la médecine de précision.

Radiomique;Radiogénomique;Apprentissage automatique;Apprentissage profond;cancer de l'ovaire