Pouvoir bientôt personnaliser le dépistage du cancer du sein grâce au deep learning
VENDREDI 10 SEPTEMBRE 2021
Soyez le premier à réagirLe deep learning permet, à partir d’une mammographie de dépistage, de classer les patientes selon trois types de risques de cancer du sein. C’est ce que suggère une nouvelle étude dans la Revue Radiology. Les chercheurs ont déclaré que les résultats soulignent le potentiel de l'IA en tant que deuxième lecteur pour les radiologues ainsi que pour personnaliser, à terme, les campagnes de dépistage.
Décidément, l’intelligence artificielle et l’imagerie mammaire ont de solides liens, la littérature scientifique nous donnant régulièrement de nouveaux travaux de recherche souvent très pertinents sur l’utilisation de ce duo.
Aider à identifier avec pertinence le risque de cancer du sein après mammographie
Dans le cadre du dépistage du cancer du sein, les mammographies aident non seulement à détecter le cancer, mais fournissent également une mesure du risque de cancer du sein grâce à des mesures de la densité mammaire. Bien que des seins plus denses à la mammographie soient associés à un risque plus élevé de cancer, il existe d'autres facteurs, encore inconnus, cachés dans la mammographie qui contribuent probablement au risque.
Pour une nouvelle étude publiée dans la Revue Radiology, le Pr John A. Shepherd, chercheur pour le programme Population Sciences in the Pacific (épidémiologie) au Centre de cancérologie de l'Université d'Hawaï à Honolulu, et ses collègues ont utilisé un ensemble de données de plus de 25 000 mammographies de dépistage numériques de 6 369 patientes. Plus de 1 600 de ces dernières ont développé un cancer du sein détecté par dépistage et 351 ont développé un cancer du sein invasif d'intervalle.
Le deep learning pour classer les patientes en trois catégories de risques
Les chercheurs ont entraîné un modèle de deep learning pour trouver des signes radiologiques qui pourraient être liés à un risque accru de cancer. Lorsqu'ils ont testé ce modèle, il a sous-performé dans l'évaluation des facteurs de risque de cancer d'intervalle, mais il a surpassé les facteurs de risque cliniques, y compris la densité mammaire, pour déterminer le risque de cancer détecté par dépistage.
« Les résultats ont montré que les informations supplémentaires que nous obtenons avec l'IA fournissent une meilleure estimation du risque de cancer détecté par dépistage, remarque le Pr Shepherd. Cela nous a aidés à atteindre notre objectif de classer les femmes en risque faible ou élevé de cancer du sein détecté par dépistage. »
Les résultats ont des implications importantes pour les pratiques cliniques dans lesquelles la densité mammaire à elle seule guide de nombreuses décisions thérapeutiques. Au lieu d’être systématiquement convoquées l’année d’après pour un nouveau dépistage, les femmes avec une mammographie négative pourraient ainsi être triées selon qu’elles présentent un risque faible de cancer du sein, un risque élevé de détection par dépistage ou un risque de cancer invasif à intervalle élevé au cours des trois prochaines années, ce qui correspond à la durée de suivi retenue dans l’étude
« Cela nous permettrait d'utiliser le risque individuel d'une femme pour déterminer à quelle fréquence elle doit être surveillée, poursuit le Pr Shepherd. Les femmes à faible risque n'ont peut-être pas besoin d'être surveillées par mammographie aussi souvent que celles à haut risque de cancer du sein. »
Pouvoir enfin personnaliser les campagnes de dépistage du cancer du sein
Le modèle de deep learning est également prometteur pour confirmer la pertinence de l'imagerie supplémentaire IRM ou autres. Le Pr Shepherd pense en effet que les femmes du groupe deep learning à haut risque qui ont également des seins denses et sont plus à risque de cancers d'intervalle peuvent bénéficier d'une stratégie de surveillance incluant l'IRM, l'échographie et l'imagerie moléculaire. Les cancers d'intervalle ont généralement une biologie tumorale plus agressive et sont généralement découverts à un stade avancé.
Cette nouvelle étude confirme donc le rôle de l'IA en combinaison avec des facteurs de risque cliniques dans l'évaluation du risque de cancer du sein. « En classant les mammographies en fonction de la probabilité de voir un cancer sur l'image, l'IA va être un puissant outil de deuxième lecture pour aider à catégoriser les examens », conclut le Pr Shepherd. Les chercheurs prévoient de reproduire ce travail chez les femmes autochtones hawaïennes et insulaires du Pacifique, deux groupes sous-représentés dans la recherche sur le cancer du sein. Ils souhaitent également étendre leurs travaux pour identifier le risque de différents grades de cancer du sein, du moins agressif au plus agressif.
Bruno Benque avec RSNA