Un modèle de deep learning pour identifier les calcifications artérielles mammaires
MERCREDI 27 SEPTEMBRE 2023
Soyez le premier à réagirLa calcification artérielle mammaire identifiée à la mammographie est considérée comme un prédicateur de la maladie cardiovasculaire. Une étude italienne publiée dans la Revue European Radiology teste un modèle de deep learning capable d’identifier les mammographies avec et sans calcification artérielle mammaire pour automatiser la prévention.
Les approches traditionnelles d'évaluation du risque cardiovasculaire semblent moins efficaces chez les femmes puisque jusqu'à 20 % des événements indésirables cardiovasculaires chez les femmes surviennent en l'absence de facteurs de risque traditionnels. C’est la raison pour laquelle des biomarqueurs d’imagerie innovants susceptibles d’améliorer la stratification du risque cardiovasculaire chez les femmes font l’objet de recherche récentes.
La calcification artérielle mammaire comme prédicteur de la maladie cardiovasculaire
Les annotations BAC positif (BAC+) et BAC négatif (BAC−) pourraient donc être adoptées à la place d’une segmentation manuelle complète du BAC, et tout au long de ce travail, nous qualifierons la première de « supervision faible » par opposition à la seconde. Une étude italienne publiée dans la Revue European Radiology se propose de développer un réseau de neurones (CNN) profond faiblement supervisé, capable de distinguer les mammographies avec et sans CAM. Les chercheurs s’attachent, de plus, à obtenir une estimation de la charge d’alcoolémie, en tant que facteur de risque de la maladie cardiovasculaire, comme sous-produit de l’algorithme de détection.
Un modèle de deep learning pour distinguer les mammographies avec et sans calcification artérielle mammaire
Ce protocole a mis inclus 1 493 femmes (198 BAC+) avec un âge médian de 59 ans, réparties dans un ensemble de formation de 410 cas (1 640 vues, 398 BAC+), un ensemble de validation de 222 cas (888 vues, 89 BAC+), et ensemble test de 229 cas (916 vues, 94 BAC+). La précision, le score F1 et l'AUC-ROC étaient de 0,94, 0,86 et 0,98 dans l'ensemble d'entraînement ; 0,96, 0,74 et 0,96 dans l'ensemble de validation ; et 0,97, 0,80 et 0,95 dans l'ensemble de test, respectivement. Dans 112 vues analysées, les prédictions Grad-CAM++ affichaient une forte corrélation avec la longueur mesurée de la CAM. Ce modèle montre donc des performances prometteuses dans la détection du BAC et dans la quantification de la charge de CAM, montrant une forte corrélation avec les mesures manuelles.
Bruno Benque avec European Radiology