Un modèle d’IA détecte les cancers du sein cachés des années avant leur diagnostic lors de mammographies de routine.

Un modèle d’IA détecte les cancers du sein cachés des années avant leur diagnostic lors de mammographies de routine.

Une vaste étude de dépistage menée par le NHS montre que l’intelligence artificielle peut détecter des signaux subtils dans les mammographies « normales » qui révèlent quelles femmes sont les plus susceptibles de développer des cancers d’intervalle agressifs des années avant leur apparition.

Dans une étude récente publiée dans la revue  npj Digital Medicine , des chercheurs ont mené une étude de validation rétrospective à grande échelle (n = 112 621) afin d’évaluer les performances de quatre algorithmes d’apprentissage profond ( DL ) de pointe pour la prédiction des « cancers d’intervalle ». Ces cancers représentent environ 30 % des cancers diagnostiqués après une mammographie de dépistage négative, mais avant le prochain examen de dépistage programmé dans les programmes de dépistage, et constituent une lacune diagnostique importante dans les approches de dépistage actuelles basées sur la mammographie.

Les résultats de l’étude ont révélé que le modèle d’apprentissage profond Mirai (développé par le MIT) était le plus performant ( aire sous la courbe ROC pour les cancers d’intervalle = 0,77). Ce modèle a identifié environ 27,5 % des cancers d’intervalle dans la cohorte étudiée en signalant les 4 % d’images de mammographie de dépistage « normales » (négatives) présentant le risque le plus élevé.

Bien que l’étude ait noté que les performances du modèle variaient légèrement selon les machines utilisées pour produire les images mammographiques et qu’un algorithme présentait des différences statistiquement significatives entre les systèmes, ces résultats suggèrent que les outils d’apprentissage profond pourraient potentiellement soutenir des stratégies de dépistage du cancer du sein stratifiées selon les risques , bien qu’une évaluation clinique prospective soit nécessaire avant leur mise en œuvre.

Contexte : Le défi des cancers du sein d’intervalle

Depuis des décennies, les recommandations en matière de dépistage du cancer du sein préconisent une mammographie tous les deux ou trois ans (par exemple, tous les trois ans au Royaume-Uni ) . Cependant, de plus en plus d’études suggèrent que, si ces examens périodiques sont nécessaires et efficaces pour détecter la plupart des cancers du sein , ils ne permettent pas d’identifier les « cancers d’intervalle », c’est-à-dire les cancers diagnostiqués après une mammographie de dépistage négative, mais avant le prochain examen programmé.

Ces cancers « cachés », qui se développent ou deviennent cliniquement apparents entre les dépistages, sont souvent beaucoup plus agressifs que ceux détectés lors des mammographies de routine, ce qui entraîne un pronostic et des résultats cliniques plus défavorables, y compris le décès.

Les approches traditionnelles pour traiter les cancers d’intervalle consistent à ce que les cliniciens tentent de prédire le risque individuel via des évaluations génétiques (telles que les scores de risque polygénique, qui ne sont pas systématiquement mis en œuvre dans la plupart des programmes de dépistage de la population) et des évaluations des antécédents familiaux (souvent incomplètes).

Cependant, les progrès récents des algorithmes d’apprentissage profond ( DL ) ont conduit les chercheurs à émettre l’hypothèse que ces modèles d’intelligence artificielle ( IA ), entraînés sur des millions d’images de mammographies, pourraient être capables de reconnaître des schémas d’imagerie subtils et des caractéristiques tissulaires dans le tissu mammaire que les radiologues humains pourraient négliger.

Malheureusement, compte tenu de la multitude de modèles d’apprentissage profond commerciaux et universitaires actuellement disponibles, les cliniciens ne savent pas encore quel modèle choisir ni si ces outils sont suffisamment performants pour être intégrés aux soins personnalisés.

Objectif de l’étude et comparaison des modèles

La présente étude visait à combler cette lacune en effectuant une comparaison directe des performances prédictives du cancer du sein de quatre des modèles DL les plus avancés d’aujourd’hui : Mirai (MIT), iCAD ProFound AI Risk (un modèle disponible dans le commerce), Transpara Risk (un autre outil DL disponible dans le commerce ) et le modèle de risque de Google Health.

Ensemble de données de validation du programme de dépistage du NHS britannique

Ces modèles ont été complétés par un vaste ensemble de données de validation rétrospectives provenant du Service national de santé britannique ( NHS ) . Cet ensemble de données comprenait des mammographies de dépistage « négatives » (sans cancer) à haute résolution (n = 112 621) collectées entre 2014 et 2017 dans deux centres de dépistage distincts du NHS .

Les performances du modèle ont été validées en suivant les participantes pendant cinq ans afin d’observer quelles femmes ont finalement développé un cancer du sein (environ 1 225 cancers au cours de la période de suivi), y compris les cancers d’intervalle.

Évaluation des différentes plateformes matérielles de mammographie

Pour évaluer la généralisabilité des performances de l’algorithme sur différentes plateformes matérielles de mammographie, des modèles DL ont été entraînés sur des images de mammographie provenant de différents écosystèmes matériels, en particulier des machines de Philips et GE.

Performance prédictive des modèles d’apprentissage profond

Les résultats de l’étude ont révélé que l’algorithme académique Mirai présentait systématiquement le pouvoir prédictif le plus élevé (aire sous la courbe [ AUC ] = 0,72 ; p < 0,001). Bien que les algorithmes iCAD ( AUC = 0,70), Google ( AUC = 0,68) et Transpara ( AUC = 0,65) aient obtenu des scores inférieurs, leurs performances prédictives restaient remarquables, étant donné que les mammographies analysées avaient été préalablement interprétées comme « normales » lors d’un dépistage de routine.

Identification des patients à haut risque de cancers d’intervalle

Les observations de l’étude ont indiqué que ces modèles pouvaient identifier de futurs cancers d’intervalle à partir d’examens de dépistage initialement interprétés comme négatifs ( aire sous la courbe ROC de Mirai pour les cancers d’intervalle = 0,77). Lorsque les chercheurs ont testé les 4 % de femmes identifiées par Mirai comme présentant le « risque le plus élevé », environ 27,5 % de tous les cancers d’intervalle de la cohorte sont survenus au sein de ce groupe à haut risque pendant le suivi.

L’élargissement de ce groupe à haut risque aux 14 % de femmes les plus à risque a permis de doubler le taux de détection des cancers d’intervalle, capturant ainsi environ 50,3 % de tous les futurs cancers d’intervalle dans la cohorte.

Performances des différents fabricants de mammographes

L’étude a également évalué si les performances des algorithmes variaient selon les fabricants de mammographes. Les chercheurs ont constaté que trois des quatre modèles évalués présentaient des performances statistiquement similaires sur les images générées par les appareils Philips et GE. Bien que le modèle Transpara ait obtenu de meilleurs résultats sur les images générées par les appareils GE que sur celles générées par les appareils Philips, la différence était relativement modeste ( AUC = 0,69 contre 0,62).

Les chercheurs soulignent également plusieurs limites, notamment l’exclusion des mammographies réalisées avec des implants ou selon des incidences non standard, des données ethniques incomplètes et la possibilité que les résultats ne soient pas entièrement généralisables aux systèmes de mammographie d’autres grands fabricants. Les auteurs notent également que la validation rétrospective pourrait sous-estimer l’utilité clinique potentielle, car certains cancers pourraient être détectés par d’autres examens d’imagerie plutôt que par la seule présence de symptômes.

Conclusions : Vers un dépistage du cancer du sein stratifié selon le risque

La présente étude apporte des preuves suggérant que les modèles d’apprentissage profond peuvent identifier des signaux d’imagerie jusque-là non détectés sur les mammographies standard afin de prédire le risque de cancer. Des modèles tels que Mirai du MIT ont permis d’identifier et de signaler une proportion significative de cancers d’intervalle chez un petit groupe de femmes à haut risque.

Les travaux futurs devraient viser à étudier ces résultats dans le cadre d’essais cliniques prospectifs et de dépistages en situation réelle avant que de tels outils puissent être intégrés dans des protocoles de dépistage personnalisés.

Source ; news-medical.net