L'intelligence artificielle (IA) peut améliorer les performances des radiologues dans la lecture des mammographies de dépistage du cancer du sein, selon une étude publiée dans Radiology: Artificial Intelligence. Un logiciel de ce type a obtenu la validation de la FDA américaine en mars 2020.
Dans le cadre du dépistage du cancer du sein par mammographie, de nombreuses lésions malignes passent inaperçues et les résultats suspects s'avèrent souvent bénins. Une étude antérieure parue dans la Revue Radiology a révélé qu'en moyenne, seulement 10% des femmes étaient rappelées pour un bilan diagnostique supplémentaire basé sur des résultats suspects objectivant finalement un cancer.
Un système d’IA testé sur un échantillon de plus de 200 examens
Les algorithmes d'IA représentent une solution prometteuse pour améliorer la précision de la mammographie numérique. Les développeurs « entrainent » l'IA sur des images existantes, lui apprennent à reconnaître les anomalies associées au cancer et à les distinguer des résultats bénins. Les programmes peuvent ensuite être testés sur différents ensembles d'images. L'IA offre non seulement la possibilité d'une meilleure détection du cancer, mais également une efficacité améliorée pour les radiologues.
Dans une nouvelle étude parue dans Radiology : Artificial Intelligence, les chercheurs ont utilisé MammoScreen, un outil d'IA qui peut être appliqué avec la mammographie pour aider à la détection du cancer. Ce système est conçu pour identifier les régions suspectes de cancer du sein sur des mammographies numériques 2D et évaluer leur probabilité de malignité. Il prend en entrée l'ensemble complet de quatre vues composant une mammographie et délivre un ensemble de positions d'image avec un score de suspicion associé. Quatorze radiologues ont évalué un ensemble de données de 240 images de mammographie numérique 2D acquises entre 2013 et 2016 qui comprenaient différents types d'anomalies. La moitié du jeu de données a été lue sans IA et l'autre moitié à l'aide de l'IA lors d'une première session et sans lors d'une seconde session.
Sensibilité accrue et temps de diagnostic raccourci
La sensibilité moyenne au cancer a légèrement augmenté lors de l'utilisation de la prise en charge de l'IA. L'IA a également contribué à réduire le taux de faux négatifs, ou des résultats qui semblent normaux même si un cancer est présent. « Les résultats montrent que MammoScreen peut aider à améliorer les performances des radiologues dans la détection du cancer du sein », a déclaré le Dr Serena Pacilè, responsable de la recherche clinique chez Therapixel, où le logiciel a été développé. L'amélioration des performances diagnostiques des radiologues dans la détection du cancer du sein a été obtenue sans prolonger leur flux de travail. Dans les cas avec une faible probabilité de malignité, le temps de lecture a diminué lors de la deuxième session de lecture. Ce temps de lecture réduit pourrait augmenter l'efficacité globale des radiologues, leur permettant de concentrer leur attention sur les examens les plus suspects, ont déclaré les chercheurs.
En mars 2020, la Food and Drug Administration des États-Unis a autorisé MammoScreen à être utilisé dans la clinique, où il pourrait aider à réduire la charge de travail des radiologues, selon le Dr Pacilè. Les chercheurs prévoient d'explorer le comportement de l'outil d'IA sur une large population basée sur le dépistage et sa capacité à détecter le cancer du sein plus tôt.
Le médecin-chercheur Eric J. Topol et le spécialiste en IA de Harvard, Pranav Rajpurkar plaident en faveur d'une séparation claire des rôles entre les systèmes d'IA et les radiologues dans un éditorial publié dans la Revue Radiology. Ils proposent un cadre que les radiologues doivent adapter à leurs...
28/08/2025 -
Gleamer, acteur française de l’IA médicale, a lancé en juillet dernier sa suite OncoView destinée à assister les radiologues dans la détection précoce du cancer par densitométrie (TDM).
22/08/2025 -
Gleamer a annoncé, le 10 Juillet 2025, la signature d’un partenariat stratégique avec le réseau France Imageries Territoires (FIT) pour le déploiement des solutions Gleamer Copilot® dans l’ensemble des centres d’imagerie du réseau FIT.
29/07/2025 -
Les grands modèles de langage multimodaux seraient-ils capables de réaliser des comptes rendus radiologiques ? Des résultats d’essais contradictoires troublent le ressenti sur les possibilités de GPT-4V, un modèle qui se concentre uniquement sur la précision diagnostique. Une étude publiée dans la R...
21/07/2025 -
Les méthodes d’élaboration des grands modèles de langage sont basées sur des règles qui ne traitent pas efficacement les données non standardisées. Des chercheurs britanniques présentent, dans un article publié dans la Revue European Radiology, RADEX, le nouvel outil d’extraction de données radiolog...
15/07/2025 -
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 -
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.