IRM des seins denses : le deep learning pour personnaliser le dépistage
LUNDI 21 AOûT 2023
Soyez le premier à réagirUn modèle de deep learning a révélé que le rehaussement parenchymateux de fond sur l'IRM du sein est un indicateur du risque de cancer chez les femmes aux seins extrêmement denses. Une étude hollandaise s’appuyant sur la cohorte DENSE et publiée dans la Revue Radiology le suggère.
Les femmes aux seins extrêmement denses courent un risque trois à six fois plus élevé de développer un cancer du sein que les femmes aux seins gras. La mammographie étant moins sensible pour détecter le cancer du sein à un stade précoce chez les femmes aux seins denses, ces dernières peuvent bénéficier d'un dépistage IRM supplémentaire aux USA.
Le rehaussement parenchymateux de fond à l’IRM serait un indicateur précoce de cancer du sein
Un autre indicateur de risque de cancer du sein est le rehaussement paranchymateux de fond (RPF) qui est le niveau de prise de contraste du tissu fibroglandulaire normal à l'IRM. Cependant, il est nécessaire de comparer le RPF aux autres facteurs de risque cliniques plus utilisés, tels que l'âge, les antécédents familiaux et la densité mammaire. C’est la raison pour laquelle une équipe néerlandaise, dirigée par le Pr Kenneth G. A. Gilhuijs, du département de radiologie du centre médical universitaire d'Utrecht (Pays-Bas), a mené et publié dans la Revue Radiology, une étude sur le sujet.
« Jusqu'à présent, les études sur les facteurs de risque du cancer du sein se sont généralement concentrées sur les femmes présentant un risque élevé de développer un cancer du sein au cours de leur vie, précise-t-il. Il s'agit de la première étude, à notre connaissance, qui démontre une association entre le rehaussement parenchymateux de fond et la survenue d'un cancer du sein chez les femmes aux seins extrêmement denses. »
Une étude propose un modèle de deep learning pour comparer cet indicateur aux autres plus connus
Pour déterminer dans quelle mesure le RPF est un indicateur de risque de cancer du sein, les chercheurs ont utilisé des examens IRM dynamiques à contraste amélioré de 4 553 participants à l'essai Dense Tissue and Early Breast Neoplasm Screening (DENSE), une grande étude multi-institutionnelle basée aux Pays-Bas, afin de développer un modèle deep learning sensé identifier automatiquement le tissu fibroglandulaire. Les examens IRM ont été effectués tous les deux ans dans huit hôpitaux aux Pays-Bas entre décembre 2011 et janvier 2016.
Après ajustement en fonction de l'âge, de l'IMC et du RPF, les chercheurs ont constaté que l'incidence du cancer du sein était plus élevée chez les femmes présentant des volumes plus élevés de parenchyme rehaussé. Sur les 4 553 femmes incluses dans l'étude, 122 ont reçu un diagnostic de cancer du sein. Environ 63% d'entre elles ont été diagnostiquées après le premier cycle de dépistage. Un délai moyen de détection du cancer de 24 mois a été associé aux femmes restantes diagnostiquées avec un cancer du sein.
Un argument supplémentaire pour personnaliser le dépistage du cancer du sein pour les femmes aux seins denses
« Le parenchyme ne s'améliore pas uniformément à l'IRM, poursuit le Pr Gilhuijs. Cette méthode calcule tous les différents sous-volumes pour lesquels le parenchyme s'améliore et les trie de haut en bas. » Les chercheurs soulignent que même si la mise en œuvre d'un dépistage supplémentaire par IRM chez les femmes aux seins denses entraînera une diminution du nombre de cancers d'intervalle, cela alourdira également la charge de travail des radiologues. Développer des stratégies plus personnalisées pour faire face au nombre supplémentaire de dépistages peut aider à alléger la pression sur le système de santé.
Notre étude est une première étape pour une meilleure adaptation personnalisée de la fréquence du dépistage supplémentaire par IRM pour les femmes aux seins denses, en se concentrant non seulement sur la densité mammaire en tant que facteur de risque principal, mais également sur d'autres propriétés du sein établies à partir d'un premier dépistage », conclut le Pr Gilhuijs.
Bruno Benque avec RSNA