Seins denses : un modèle de deep learning pour libérer du temps radiologue dans le triage des IRM de dépistage
MERCREDI 19 JANVIER 2022
Soyez le premier à réagirUn modèle de deep learning peut passer au crible rapidement et avec précision les IRM du sein chez les femmes aux seins denses pour éliminer celles qui ne sont pas cancéreuses, selon une nouvelle étude hollandaise publiée dans la Revue Radiology. Cette avancée pourrait libérer les radiologues en réduisant leur temps de lecture des images et pour qu’ils puissent se concentrer sur des cas plus complexes.
La mammographie de dépistage du cancer du sein est, on le sait, moins efficiente chez les femmes aux seins extrêmement denses, qui présentent un risque plus élevé de développer un cancer, que chez les femmes aux seins gras.
Un nécessaire dépistage supplémentaire pour les seins très denses
C’est la raison pour laquelle un examen de dépistage supplémentaire chez les femmes aux seins extrêmement denses augmente leurs chances. Les recherches de l'essai Dense Tissue and Early Breast Neoplasm Screening (DENSE), une vaste étude basée aux Pays-Bas, évoquent dans ce cadre l'utilisation d'un dépistage supplémentaire par IRM. « L'essai DENSE a montré qu'un dépistage IRM supplémentaire pour les femmes aux seins extrêmement denses était bénéfique, précise l'auteur principal de cette étude, le Dr Erik Verburg, de l'Institut des sciences de l'image du Centre médical universitaire d'Utrecht (Pays-Bas). D'autre part, l'essai DENSE a confirmé que la grande majorité des femmes dépistées n'ont aucun résultat suspect à l'IRM."
Un nouveau modèle de deep learning pour trier les IRM sans lésion
Étant donné que la plupart des IRM montrent des variations anatomiques et physiologiques normales qui peuvent ne pas nécessiter d'examen radiologique, des moyens de trier ces IRM normales pour réduire la charge de travail du radiologue sont nécessaires. Dans la première étude de ce type, publiée dans la Revue Radiology, Verburg et ses collègues ont entrepris de déterminer la faisabilité d'une méthode de triage automatisé basée sur le deep learning. Ils ont utilisé les données d'IRM du sein de l'essai DENSE pour développer et entraîner leur modèle afin de distinguer les seins avec et sans lésions. Le modèle a été formé sur les données de sept hôpitaux et testé sur les données d'un huitième hôpital.
Des algorithmes entraînés sur la base de données de l’étude DENSE
Plus de 4 500 ensembles de données IRM de seins extrêmement denses ont été inclus. Sur les 9 162 seins, 838 
présentaient au moins une lésion, dont 77 étaient malignes et 8 324 n'avaient aucune lésion. Le modèle de deep learning a considéré que 90,7 % des IRM présentant des lésions étaient non normales et les a triés pour aiguiller les patientes vers un examen radiologique. Il a rejeté environ 40% des IRM sans lésion sans manquer aucun cancer. « Nous avons montré qu'il est possible d'utiliser en toute sécurité l'intelligence artificielle pour rejeter les IRM de dépistage du sein sans manquer aucune maladie maligne, poursuit le Dr Verburg. Les résultats ont été meilleurs que prévu. Quarante pour cent est un bon début. Cependant, nous avons encore 60% à améliorer. »
Permettre aux radiologues de réduire le temps consacré à la lecture des images
Le système de triage basé sur l'IA a donc le potentiel de réduire considérablement la charge de travail des radiologues, selon le Dr Verburg. Rien qu'aux Pays-Bas, près de 82 000 femmes pourraient être éligibles à un dépistage bisannuel par IRM du sein basé sur la densité mammaire. « L'approche peut d'abord être utilisée pour aider les radiologues à réduire le temps de lecture global, a-t-il conclu. Par conséquent, plus de temps pourrait être disponible pour se concentrer sur les examens IRM du sein vraiment complexes. »
Les chercheurs prévoient de valider le modèle dans d'autres ensembles de données et de le déployer lors des cycles de dépistage ultérieurs de l'essai DENSE.
Bruno Benque avec RSNA