L'IA renforce l'identification du cancer de la prostate par IRM
MARDI 13 AOûT 2024
Soyez le premier à réagirUn modèle de deep learning a été entrainé par des chercheurs américains afin de détecter précisément les lésions cancéreuses de prostate par IRM. Dans une étude publiée dans la Revue Radiology, ils utilisent en plus Grad-CAM pour assurer la localisation des tumeurs.
Le diagnostic du cancer de la prostate cliniquement significatif se fait généralement par IRM multiparamétrique. Les résultats sont exprimés via le Prostate Imaging-Reporting and Data System version 2.1 (PI-RADS), qui comporte toutefois des limites.
Des algorithmes d’IA pour détecter avec précision le cancer de la prostate par IRM
Dans une étude américaine publiée dans la Revue Radiology, les chercheurs ont développé un nouveau type de modèle de deep learning pour prédire la présence d'un cancer de la prostate cliniquement significatif sans nécessiter d'informations sur l'emplacement de la lésion. « L'interprétation de l'IRM de la prostate est difficile, constate l'auteur principal de l'étude, le Dr Naoki Takahashi, du département de radiologie de la Mayo Clinic de Rochester (Minnesota – USA). Les radiologues les plus expérimentés ont tendance à avoir des performances diagnostiques plus élevées. »
L’application d’algorithmes d’intelligence artificielle (IA) pour l’IRM de la prostate s’est révélée prometteuse pour améliorer la détection du cancer et réduire la variabilité des observateurs. Cependant, un inconvénient majeur des approches d’IA existantes est que la lésion doit être annotée par un radiologue ou un pathologiste au moment du développement initial du modèle et à nouveau lors de la réévaluation et du recyclage du modèle après la mise en œuvre clinique.
Une étude pour comparer les performances de l’outil d’Ia avec celles de radiologues confirmés
« Les radiologues annotent les lésions suspectes au moment de l'interprétation, mais ces annotations ne sont pas systématiquement disponibles, donc lorsque les chercheurs développent un modèle de deep learning, ils doivent en redessiner les contours, ajoute le Dr. Takahashi. De plus, les chercheurs doivent corréler les résultats de l’imagerie avec le compte rendu d’anapath lors de la préparation de l’ensemble de données. Si plusieurs lésions sont présentes, il n’est pas toujours possible de corréler les lésions à l’IRM avec les résultats pathologiques correspondants. C'est donc un processus qui prend du temps. »
Le Dr. Takahashi et ses collègues ont comparé les performances de leur modèle à celles des radiologues abdominaux auprès d'un grand groupe de patients sans cancer de la prostate cliniquement significatif connu et ayant subi une IRM sur plusieurs sites d'un même établissement universitaire. Les chercheurs ont formé un réseau neuronal convolutif (CNN) pour prédire un cancer de la prostate cliniquement significatif à partir d’une IRM multiparamétrique.
Une carte d’activation pondérée par le gradient pour localiser les lésions cancéreuses
Parmi 5 735 examens réalisés auprès de 5 215 patients, 1 514 examens ont révélé un cancer de la prostate cliniquement significatif. Sur l’ensemble de tests internes de 400 examens et sur un ensemble de tests externes de 204 examens, les performances du modèle de deep learning en matière de détection du cancer de la prostate cliniquement significatif n’étaient pas différentes de celles des radiologues abdominaux expérimentés. Une combinaison du modèle d’apprentissage profond et des résultats du radiologue a donné de meilleurs résultats que les radiologues seuls sur les ensembles de tests internes et externes.
Étant donné que les résultats du modèle de deep learning n’incluent pas la localisation des tumeurs, les chercheurs ont utilisé ce qu’on appelle une carte d’activation de classe pondérée par gradient (Grad-CAM) pour localiser les tumeurs. L'étude a montré que, pour les examens véritablement positifs, Grad-CAM mettait systématiquement en évidence les lésions cliniquement significatives du cancer de la prostate.
Une nouvelle étude prospective pour évaluer les usages du modèle par les radiologues
Le Dr. Takahashi considère le modèle comme un assistant potentiel du radiologue qui peut aider à améliorer les performances diagnostiques de l'IRM grâce à des taux de détection du cancer accrus avec moins de faux positifs. « Je ne pense pas que nous puissions utiliser ce modèle comme outil de diagnostic autonome, poursuit-il. Au lieu de cela, la prédiction du modèle peut être utilisée comme complément à notre processus décisionnel. »
La prochaine étape est une étude prospective qui examine la manière dont les radiologues interagissent avec les prédictions du modèle. « Nous aimerions présenter les résultats du modèle aux radiologues, évaluer la manière dont ils les utilisent pour l'interprétation et comparer les performances combinées du radiologue et du modèle à celles du radiologue seul pour prédire un cancer de la prostate cliniquement significatif », conclut le Dr Takahashi.
Paolo Royan