Sensibilité, spécificité, précision et rapidité : l'effet IA pour l'interprétation de la tomosynthèse

La tomosynthèse numérique du sein (DBT) est une méthode avancée de détection du cancer dans laquelle un tube radiogène réalise des coupes fines du sein. Des recherches ont montré que la DBT améliore la détection du cancer et réduit le nombre de rappels de faux positifs par rapport au dépistage effectué uniquement par mammographie numérique.

L'interprétation de la tomosynthèse plus chronophage que pour la mammographie de dépistage

Cependant, l’examen DBT peut prendre presque deux fois plus de temps à interpréter que le dépistage classique en raison du temps nécessaire au radiologue pour faire défiler toutes les images. Ce temps supplémentaire risque d’avoir plus de conséquences, car la DBT devient de plus en plus le traitement de référence en imagerie mammographique, notamment aux USA.

Dans une étude publiée dans la revue Radiology: Artificial intelligence, des chercheurs ont mis au point un système de deep learning, capable d’exploiter de grandes quantités de données afin de trouver des schémas subtils allant au-delà de la capacité humaine. Ils ont entrainé ce système d'IA sur de grands ensembles de données DBT afin d'identifier les images suspectes par DBT. Après avoir développé et entrainé le système, ils ont testé ses performances auprès de 24 radiologistes, dont 13 surspécialistes du sein, qui ont chacun lu 260 examens DBT avec et sans assistance d'IA. Les examens comprenaient 65 cas de cancer.

Précision et temps de lecture améliorés grâce au deep learning

L'utilisation de l'IA était associée à une précision améliorée et à des temps de lecture plus courts. La sensibilité est passée de 77% sans IA à 85% avec elle. La spécificité est passée de 62,7% sans IA à 69,6% avec. Le taux de rappel des non-cancers, ou le taux de rappel des femmes pour des examens de suivi basés sur des résultats bénins, a diminué de 38% sans IA à seulement 30,9%. En moyenne,
le temps de lecture est passé d’un peu plus de 64 secondes sans AI à seulement 30,4 secondes. "Globalement, les lecteurs ont pu augmenter leur sensibilité de 8%, réduire leur taux de rappel de 7% et diviser par deux leur temps de lecture lorsqu'ils utilisaient l'IA simultanément pour lire des DBT par rapport à la lecture sans utiliser l'IA", précise le Pr Emily F Conant, Chef du département d'imagerie du sein de la Perelman School of Medicine de l'Université de Pennsylvanie à Philadelphie et auteur principal de l'étude.

De vrais progrès dans la sensibilité et la spécificité de l'interprétation

La zone située sous la courbe de fonctionnement du récepteur, une variable graphique qui combine sensibilité et spécificité en une seule mesure, a également montré une amélioration, permettant ainsi de mieux représenter la performance globale du radiologue, qui a augmenté de 0,795 sans IA à 0,852 avec AI. "Nous savons que l'imagerie DBT augmente la détection du cancer et réduit le taux de rappel lorsqu'elle est ajoutée à la mammographie 2D et qu'il est cliniquement très important d'améliorer encore ces indicateurs clés, poursuit le Pr Conant. Et, puisque l'ajout de la DBT à la mammographie 2D double environ le temps de lecture du radiologue, l'utilisation concomitante de l'IA et de la DBT augmente la détection du cancer et peut ramener le temps de lecture à peu près au temps nécessaire à la lecture d'un examen de mammographie de dépistage seul."

Les chercheurs s'attendent à ce que l'approche deep learning s'améliore à mesure qu'elle est soumise à des ensembles de données de plus en plus vastes, ce qui rend son impact potentiel sur les soins des patients encore plus significatif. "Les résultats de cette étude suggèrent qu'une efficacité et une précision améliorées pourraient être obtenues dans la pratique clinique en utilisant un système d'IA efficace", conclut le Pr Conant.