Prédire l’apparition prochaine d’un cancer du sein à partir d’une mammographie de dépistage négative, tel est le défi lancé dans une étude publié dans la Revue Radiology. Un logiciel de deep learning permet d’aboutir à des résultats sérieux.
À l’approche d’Octobre rose, les nouveautés accompagnant le dépistage du cancer du sein ne sont pas foison cette année. Mais iCAD Inc. a annoncé, le 21 septembre 2020, la publication de données concluantes sur le thème du dépistage du cancer du sein dans la Revue Radiology, en faveur de son outil de deep learning ProFound AI™Risk.
Cet outil est en mesure de fournir une estimation du risque de développer un cancer du sein à deux ans à la fois fiable et personnalisée, à partir d'une simple mammographie de dépistage. L’étude suédoise publiée dans Radiology se propose de développer un modèle de risque, basé sur des mammographies négatives, qui identifie les femmes susceptibles de recevoir un diagnostic de cancer du sein avant ou lors du prochain examen de dépistage. Le modèle prend en compte le mode de vie étendu des patientes, comprenant le statut ménopausique, les antécédents familiaux de cancer du sein, l'indice de masse corporelle, l'hormonothérapie substitutive et l'usage de tabac et d'alcool. Le modèle génétique étendu traite, quant à lui d’un score de risque polygénique avec 313 polymorphismes nucléotidiques uniques.
Cette étude est basée sur la cohorte de dépistage prospective Karolinska Mammography Project for Risk Prediction of Breast Cancer (KARMA), 2011-2017. Sur 70 877 participants de la cohorte KARMA, 974 cas de cancer ont été échantillonnés auprès de 9376 femmes en bonne santé (âge moyen, 54 ans ± 10). Il est apparu une différence de risque relative multipliée par huit entre les femmes à risque élevé et celles à risque général. Les femmes à haut risque étaient plus susceptibles de recevoir un diagnostic de cancer de stade II et de tumeurs de 20 mm ou plus et étaient moins susceptibles d'avoir des tumeurs de stade I et de récepteurs aux œstrogènes positifs. Le modèle basé sur l'image a été validé dans trois cohortes externes.
Les algorithmes utilisés dans ce travail sont estampillés ProFound AI Risk, fruit d'une collaboration exclusive entre iCAD et des chercheurs de l'Institut Karolinska de Stockholm (Suède), en charge notamment de sélectionner les lauréats du prix Nobel de physiologie ou médecine. Ce partenariat fait suite à un accord de recherche, pour lequel des scientifiques de l'Institut Karolinska ont créé un modèle prédisant le risque de cancer du sein d'après les informations obtenues par les solutions d'Intelligence Artificielle d'iCAD à partir des clichés de mammographie.
ProFound AI Risk est actuellement disponible pour la mammographie 2D et sera prochainement disponible pour la mammographie 3D. Il a reçu le marquage CE et a été lancé en Europe lors du Congrès européen de radiologie (ECR) virtuel en juillet 2020.
Incontournables pour l’entrainement des modèles de deep learning, les annotations d’images radiologiques sont rébarbatives et chronophages pour les experts qui les créent. Des grands modèles de langage (LLM) pourraient remplacer les annotations humaines, comme l’indique un article scientifique publi...
23/06/2025 -
Radiologues, informaticiens et chercheurs présentent, dans un article publié dans la Revue Radiology, les pièges et les meilleures pratiques pour atténuer les biais des modèles d'intelligence artificielle (IA) en imagerie médicale. Ils présentent une sorte de feuille de route pour des pratiques plus...
13/06/2025 -
Selon une nouvelle étude publiée dans la Revue Radiology, un grand modèle de langage (LLM) améliorerait sensiblement la détection des erreurs dans les comptes rendus de radiologie. Les chercheurs ont utilisé des comptes rendus synthétiques et des données ciblées pour donner au LLM de la légèreté.
23/05/2025 -
Dans un nouvel article spécial publié dans la Revue Radiology, des chercheurs abordent les défis de cybersécurité liés aux grands modèles de langage (LLM). Ils soulignent l'importance de mettre en œuvre des mesures de sécurité pour empêcher leur utilisation malveillante dans le système de Santé et m...
21/05/2025 -
Les biais diagnostiques créés par l’IA relèvent d’un manque d’informations démographiques incluent dans les données de santé. Dans un article publié dans la Revue Radiology, des chercheurs américains décrivent l’importance d’une définition homogène décrivant les groupes démographiques. Un travail qu...
20/05/2025 -
Pour renforcer les attributs des grands modèles de langage appliqués à la radiologie, la RAG, qui code les informations dans un espace vectoriel pour affiner les tâches des LLM basées sur la connaissance, semble pertinente. Dans une étude publiée dans la Revue Radiology : Artificial intelligence, de...
05/05/2025 -
RadLex, un lexique radiologique complet développé par la Radiological Society of North America (RSNA) destiné à proposer un langage commun pour communiquer les résultats diagnostiques par les radiologues, célèbre son 20e anniversaire en 2025.
22/04/2025 -
Ne manquez aucune actualité en imagerie médicale et radiologie !
Inscrivez-vous à notre lettre d’information hebdomadaire pour recevoir les dernières actualités, agendas de congrès, et restez informé des avancées et innovations dans le domaine.