Un algorithme de deep learning pour identifier les lésions précancéreuses par coloscopie virtuelle

Lorsque l’on parle de cancer colorectal, on évoque souvent des polypes adénomateux qui se développent sur plusieurs années. La détection précoce et l'élimination de ces polypes précancéreux sont susceptibles de réduire l'incidence et la mortalité du cancer colorectal.

La coloscopie virtuelle par tomodensitométrie à la base d’un algorithme de deep learning

Au cours des deux dernières décennies, la coloscopie virtuelle par tomodensitométrie (CVCT) est apparue comme une alternative non invasive à la coloscopie dans le dépistage de ce cancer colorectal. Mais elle ne permet pas une différenciation définitive entre les polypes bénins et prémalins, ce qui est crucial pour l’évaluation du risque pour le patient et l'orientation thérapeutique à suivre. Dans une nouvelle étude publiée dans la Revue Radiology, les chercheurs ont exploité la puissance de la radiomique pour caractériser les polypes de manière plus précise qu’à l'œil nu.

Ils ont développé un algorithme de deep learning pour prédire le type de polypes sur la base de la radiomique relative à des images de CVCT d'un groupe de patients asymptomatiques à risque moyen de cancer colorectal. L'algorithme de deep learning a été formé sur un ensemble de plus de 100 polypes colorectaux chez 63 patients, puis testé sur un ensemble de 77 polypes chez 59 patients. Dans la phase d’entrainement, l’algorithme a permis une différenciation non invasive des polypes colorectaux bénins et prémalins détectés par CVCT, avec une sensibilité de 82% et une spécificité de 85%.

Un processus qui pourrait venir en complément de la lecture radiologique pour le dépistage du cancer colorectal

« Ces résultats servent de proof of concept selon lequel l'analyse d'image basée sur le deep learning permet la différenciation non invasive des polypes colorectaux bénins et prémalins dans les ensembles de données de CVCT, remarque l'auteur principal de l'étude, le Dr Sergio Grosu, MD, radiologue à l'hôpital universitaire Ludwig Maximilian de l’Université de Munich (Allemagne). L'AUC de 0,91 indique que cette méthode fonctionne bien." Les résultats indiquent ainsi un rôle pour les algorithmes dérivés de l'apprentissage automatique dans l'amélioration de l'efficacité de la CVCT en tant qu'outil de dépistage du cancer colorectal.

« L'ajout de l'analyse d'image assistée par deep learning à la lecture d'images radiologiques conventionnelles pourrait encore améliorer la pertinence clinique du dépistage du cancer colorectal basé sur la CVCT, en permettant une sélection plus précise des patients éligibles à une polypectomie ultérieure, poursuit-il. Cette méthode pourrait être utilisée régulièrement comme deuxième lecteur dans tous les examens de CVCT dans le futur. »

Des recherches supplémentaires avec un plus grand nombre de patients sont toutefois nécessaires pour valider ces résultats améliorer l'algorithme de deep learning utilisé. « Un raffinement supplémentaire de l'analyse d'image basée sur le deep learning est nécessaire pour obtenir une plus grande précision dans la différenciation des polypes ainsi qu'une optimisation du flux de travail pour une meilleure applicabilité dans la routine clinique », conclut le Dr Grosu.