UNE NOUVELLE CLASSIFICATION DES LÉSIONS MAMMAIRES EN IRM
VENDREDI 13 NOVEMBRE 2015
Soyez le premier à réagirUne équipe autrichienne a élaboré une arbre de classification plus simple, semble-t-il, que Bi-Rads pour les diagnostics de mammo-IRM. Ce processus a montré une précision significative.
Une nouvelle classification des lésions mammaires sous IRM, semblant plus simple que Bi-Rads, a été décrite par une équipe autrichienne dans la revue European Radiology.
Un algorithme simplifiant le classification des lésions
Bi-Rads fournit un lexique qui est empiriquement traduit en probabilité de malignité. Le nouveau système, appelé “Tree”, est quand à lui un système de notation organisé en catégories diagnostiques. L'auteur principal, le Dr Maria Adele Marin, de l'Université de Vienne, trouve les critères de Tree assez simples pour être compris par les praticiens issus d’écoles différentes. Pour la prise en compte de multiples critères diagnostiques disponibles en mammo-IRM, un algorithme pratique pour la classification de la lésion est nécessaire. Pour le Dr Marin, un tel algorithme doit être aussi simple que possible et ne comporter que les caractéristiques importantes permettant de différencier les tumeurs bénignes des lésions malignes. Son étude visait à développer un arbre de classification simple pour le diagnostic différentiel en mammo-IRM.
Un arbre de classification intégrant cinq critères
Un total de 1.084 lésions en mammo-IRM standardisée avec vérification histologique (648 malignes, 436 bénignes) ont été étudiés. Dix-sept critères de lésions ont été évaluées par deux lecteurs et l’analyse de classification a été réalisée en utilisant la méthode chisquared automatic interaction detection (CHAID). Les résultats comprennent la probabilité de malignité pour chaque combinaison de descripteurs dans l'arbre de classification. Un arbre de classification des lésions intégrant cinq critères comprenant 3 ramifications a été élaboré. Des 1084 lésions étudiées, 262 (40,4%) pourraient être classées malignes et 106 (24,3%) bénignes avec une précision supérieure à 95%. La précision du diagnostic global était de 88,4%.
L'algorithme de classification a donc réduit le nombre de descripteurs catégoriques de 17 à 5 (29,4%), avec une grande précision de classification. Plus d'un tiers de toutes les lésions ainsi classées pourrait l’être avec une précision supérieure à 95%.
Bruno Benque