Un modèle d'IA plus performant pour identifier les patientes éligibles à une mammographie supplémentaire
MARDI 09 AVRIL 2024
Soyez le premier à réagirUne étude suédoise publiée dans la Revue Radiology teste AISmartDensity pour l’identification des patientes éligibles à une imagerie supplémentaire après une mammographie de dépistage négative. Ce travail montre une plus grande eficacité de ce modèle par rapport aux outils classiques de mesure de densité des seins.
Une nouvelle étude publiée ce 9 avril 2024 dans la revue Radiology traite de l'utilisation d'un score d’IA pour sélectionner des patientes pour les inviter à faire l’objet d’une imagerie supplémentaire du cancer du sein.
Une étude suédoise teste AISmartDensity pour l’identification des patientes éligibles à une imagerie supplémentaire après dépistage mammaire négatif
Les mesures de densité mammographique sont utilisées pour identifier les patientes qui devraient subir une imagerie supplémentaire pour la détection du cancer du sein, mais l'analyse d'images par intelligence artificielle (IA) peut être plus efficace. L’objectif de cette étude est d’évaluer si AISmartDensity, un score basé sur l'IA intégrant les signes radiologiques, le masquage et le risque de cancer, dépasse les mesures de densité mammographique pour identifier les patientes à qui sera proposée une imagerie mammaire supplémentaire après une mammographie de dépistage négative.
Cette étude suédoise rétrospective a inclus des personnes sélectionnées au hasard ayant fait l’objet d’une mammographie de dépistage à l'hôpital universitaire Karolinska de Stockholm (Suède) entre janvier 2008 et décembre 2015. Les modèles d'AISmartDensity ont été formés et validés à l'aide de données non chevauchantes. La capacité d’AISmartDensity à identifier un futur cancer chez les patientes avec une mammographie de dépistage négative a été évaluée et comparée à celle des modèles de densité mammographique.
Le modèle utilisant l’IA se montre plus efficace que la mesure classique de densité des seins
La sensibilité et la valeur prédictive positive (VPP) ont été calculées pour les 8 % des scores les plus élevés, imitant la proportion de patientes dans la catégorie « extrêmement dense » du système de comptes rendus et de données sur l'imagerie mammaire. Les performances du modèle ont été évaluées à l’aide de l’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) et comparées par test DeLong.
Ce travail a exploré 65 325 examens (âge médian des patientes, 53 ans) dont 64 870 chez des patientes en bonne santé et 455 chez des patientes atteintes d'un cancer du sein diagnostiqué dans les 3 ans suivant une mammographie de dépistage négative. L'AUC pour la détection des cancers ultérieurs était respectivement de 0,72 et 0,61 pour AISmartDensity et le modèle de densité le plus performant (zone dense ajustée en fonction de l'âge).
Des résultats encore plus probants pour les seins très denses
Pour les examens dont les scores se situent dans les 8% supérieurs, AISmartDensity a identifié 152 cancers futurs sur 455 (33 %) avec une VPP de 2,91%, tandis que le modèle de densité le plus performant (zone dense ajustée selon l'âge) a identifié 57 sur 455 (13 %) cancers futurs avec une VPP de 1,09 %. AISmartDensity a identifié 32% (41 sur 130) et 34% (111 sur 325) des cancers détectés par intervalle et au prochain cycle de dépistage, tandis que le modèle de densité le plus performant (zone dense) a identifié 16% (21 sur 130) et 9% (30 sur 325), respectivement.
Cette étude montre qu’AISmartDensity surpasse ainsi les modèles de densité traditionnels dans l'identification des patientes éligibles à une imagerie supplémentaire après une mammographie de dépistage négative. « Les mesures de densité mammographique sont utilisées pour identifier les patientes qui devraient faire l’objet d’une imagerie supplémentaire pour la détection du cancer du sein, mais l'analyse des images par l'IA pourrait être plus efficace », concluent ainsi les auteurs.
Bruno Benque avec RSNA