Le Deep Learning, un espoir pour toutes les femmes aux seins denses

 

La densité du parenchyme mammaire peut masquer, lors d'une mammographie, un cancer, ce qui constitue un facteur de risque pour le diagnostic de la maladie. En dépit de son importance, l’évaluation de la densité mammaire est une science imparfaite et les recherches ont montré que les taux de pertinence étaient radiologues dépendants.

"Nous dépendons d'une évaluation qualitative humaine de la densité mammaire, et cette approche présente certains défauts, déclare le Dr Constance D. Lehman, du Massachusetts General Hospital (MGH) à Boston et auteure principale d'une nouvelle étude publiée sur ce thème dans la revue Radiology. Nous avons besoin d'un outil plus précis."

Quand la médecine et le génie informatique travaillent de concert

Le Dr Lehman et ses collègues ont collaboré avec le Dr Regina Barzilay, experte en intelligence artificielle, professeure d’informatique et de génie électrique à l’Institut de technologie du Massachusetts, à Cambridge. Elle a mis au point un algorithme permettant de mesurer automatiquement la densité mammaire. Les chercheurs ont utilisé des dizaines de milliers de mammographies numériques de haute qualité provenant du MGH pour créer et tester l'algorithme avant de le mettre en œuvre en pratique clinique de routine. Huit radiologues ont ensuite examiné 10 763 mammographies que le modèle avait déterminées comme étant des tissus denses ou non denses.

Les radiologues d'accord avec la machine dans 94% des cas

Les radiologues interprètes ont validé l'évaluation de l'algorithme dans 10 149 mammographies, soit 94%. Le Dr Lehman souligne que le taux de concordance de 94% entre les radiologistes et l'algorithme ne signifie pas nécessairement que la machine était dans l'erreur dans 6% des cas, mais plutôt que les radiologistes évaluent visuellement la densité mammaire de façon subjective et qualitative. "Nous avons été ravis des résultats, poursuit-elle. Désormais, au sein du MGH, l'algorithme de Deep Learning traite toutes nos mammographies de dépistage et fournit une densité, qui est acceptée ou rejetée par les radiologues."

Des résultats obtenus grâce au volume significatif de données annotés de haute qualité

"Les résultats de l'étude montrent que l'algorithme a remarquablement bien fonctionné, ajoute le Dr Barzilay. Mais ce qui est plus important, c'est qu'il est utilisé tous les jours pour mesurer la densité mammaire lors de mammographies dans un grand hôpital. Le système fonctionne sans interruption à l'Hôpital général de Winnipeg depuis janvier et a traité environ 16 000 images." Le Dr Lehman a attribué cette réussite à la disponibilité de données annotées de haute qualité évaluées par des radiologistes experts d'une part et aux efforts de collaboration de médecins expérimentés et de professionnels de l'informatique. 

Le Deep Learning particulièrement bien adapté à l'imagerie du sein

Les chercheurs pensent que l'algorithme a le potentiel de normaliser et d'automatiser l'évaluation de routine de la densité mammaire. Sur une plus large échelle, ils considèrent que l'IA est essentielle au développement d'une évaluation personnalisée du risque de cancer du sein chez chaque femme faisant l'objet d'une mammographie. Elle est particulièrement bien adaptée à l'imagerie du sein car elle peut s'appuyer sur une base de données volumineuse et mature avec des annotations avancées et structurées associant images et résultats. Ce pouvoir prédictif est un espoir pour toutes les femmes, y compris celles mal prises en compte par les modèles prédictifs actuels. Sur ce point, des recherches ont montré que les modèles prédictifs actuels sous-estimaient généralement le risque chez les femmes afro-américaines.

"Nous apprenons à la machine à prédire directement le risque de cancer avant même que le radiologue ne découvre un cancer, annonce le Dr Barzilay. Le meilleur moment pour contrôler la maladie, c'est quand elle commence."

"Grâce à l'IA, nous sommes désormais en mesure de tirer parti de vastes quantités d'informations pour offrir des soins plus personnalisés et plus ciblés à nos patients, conclut le Dr Lehman. Dans le cas du cancer du sein, nous pouvons mieux prévoir la survenue d'un cancer et ainsi améliorer ses chances de le traiter avec succès."