Le deep learning détecte automatiquement Six tumeurs cérébrales courantes par IRM

Une équipe de chercheurs américains a développé un modèle de deep learning capable de classer une tumeur cérébrale parmi l'un des six types courants, à l'aide d'une seule IRM 3D, selon une étude publiée dans Radiology: Artificial Intelligence.

Recherche sur l’automatisation de la détection des tumeurs cérébrales par deep learning

« Il s'agit de la première étude à traiter les tumeurs intracrâniennes les plus courantes et à déterminer directement la classe tumorale ou l'absence de tumeur à partir d'un volume d'IRM 3D », précise Satrajit Chakrabarty, doctorant sous la direction du Pr Aristeidis Sotiras, et du Pr Daniel Marcus, dans le laboratoire d'imagerie numérique du Mallinckrodt Institute of Radiology de la Washington University School of Medicine à St. Louis, Missouri.

Les six types de tumeurs intracrâniennes les plus courants sont le gliome de haut grade, le gliome de bas grade, les métastases cérébrales, le méningiome, l'adénome hypophysaire et le neurinome de l'acoustique. Chacun a été documenté par histopathologie, ce qui nécessite l'ablation chirurgicale de la zone suspectée d'un cancer et son examen au microscope. Selon Chakrabarty, les approches de deep learning utilisant les données d'IRM pourraient potentiellement automatiser la détection et la classification des tumeurs cérébrales.

Trois groupes d’images pour tester le système

Pour construire leur modèle de deep learning, Chakrabarty et ses collègues de l'Institut de radiologie Mallinckrodt ont développé un vaste ensemble de données multi-institutionnelles d'IRM 3D intracrâniennes à partir de quatre sources accessibles au public. En plus des données internes de l'institution, l'équipe a obtenu des examens IRM préopératoires injectées pondérées en T1 à partir de la segmentation des images de tumeurs cérébrales, de l'Atlas du génome du cancer Glioblastome multiforme et de l'Atlas du génome du Gliome de bas grade du cancer.

Ils ont ainsi divisé un total de 2 105 examens en trois sous-ensembles de données : 1 396 pour la formation, 361 pour les tests internes et 348 pour les tests externes. La première série d'images IRM a été utilisée pour entraîner le réseau neuronal convolutif à faire la distinction entre les images saines et les identifications de tumeurs, et à classer les tumeurs par type. Les chercheurs ont évalué les performances du modèle en utilisant les données des IRM internes et externes.

En utilisant les données de test internes, le modèle a atteint une précision de 93,35 % (337 sur 361) dans sept groupes d’images (une classe saine et six classes tumorales). Les sensibilités variaient de 91 % à 100 %, et la valeur prédictive positive variait de 85 % à 100 %. Les valeurs prédictives négatives variaient quant à elles de 98 % à 100 % dans toutes les classes.

Des résultats fort encourageants pour une systématisation possible

Pour l'ensemble de données de test externe, qui ne comprenait que deux types de tumeurs (gliome de haut grade et gliome de bas grade), le modèle avait une précision de 91,95 %. « Ces résultats suggèrent que le deep learning est une approche prometteuse pour la classification et l'évaluation automatisées des tumeurs cérébrales, poursuit Chakrabarty. Le modèle a atteint une grande précision sur un ensemble de données hétérogène et a montré d'excellentes capacités de généralisation sur des données de test inédites. »

Il a ajouté que le modèle de deep learning 3D se rapproche de l'objectif d'un flux de travail automatisé de bout en bout en améliorant les approches 2D existantes, qui nécessitent que les radiologues délimitent ou caractérisent manuellement la zone tumorale sur une IRM avant le traitement par machine. Le réseau neuronal convolutif élimine l'étape fastidieuse et laborieuse de la segmentation tumorale avant la classification.

Le Dr Sotiras, co-développeur du modèle, a déclaré qu'il pouvait être étendu à d'autres types de tumeurs cérébrales ou troubles neurologiques, offrant potentiellement une voie pour augmenter une grande partie du flux de travail en neuroradiologie. « Ce réseau est la première étape vers le développement d'un flux de travail de radiologie amélioré par l'intelligence artificielle qui peut prendre en charge l'interprétation des images en fournissant des informations quantitatives et des statistiques », conclut Satrajit Chakrabarty.