Comment interpréter le niveau intermédiaire de risque donné par l'IA dans le dépistage du cancer du sein ?

Dans le cadre du tri des mammographies de dépistage par IA pour réduire la charge de travail croissante des radiologues, le classement de manière fiable des examens comme négatifs par une valeur prédictive négative (VPN) élevée pourrait permettre de prioriser les examens présentant un risque élevé de malignité.

Le niveau de risque de cancer du sein identifié par l’IA sur les examens de dépistage manque de précision

Ainsi, les radiologues pourraient examiner les cas négatifs en toute confiance, de manière plus simple et plus efficace, libérant ainsi du temps pour se concentrer sur les examens nécessitant des investigations plus approfondies. La littérature donne des exemples prometteurs du rôle de l'IA autonome dans l'évaluation de la mammographie numérique de dépistage (MD), notamment une précision et un taux de détection du cancer comparables à ceux des radiologues dans diverses populations.

Mais les performances de l'IA dans l'évaluation de la tomosynthèse mammaire numérique restent limitées. Contrairement aux radiologues qui classent les mammographies de dépistage comme positives (catégorie BI-RADS 0) ou négatives (catégorie BI-RADS 1 ou 2), de nombreux outils d'IA actuels fournissent des évaluations différentes, à type de risque faible, intermédiaire ou élevé. Les examens jugés à risque intermédiaire signalent des résultats qui peuvent ou non justifier un rappel pour un bilan complémentaire, obligeant ainsi les radiologues à naviguer dans les marquages de l'IA pour décider lesquels intégrer à leurs interprétations et lesquels ignorer.

Comment redéfinir le niveau de risque intermédiaire pour éviter les faux positifs ?

Ainsi, définir le risque intermédiaire comme élevé pourrait engendre une augmentation significative des faux positifs de l'IA et une augmentation excessive des taux de rappel. C’est la raison pour laquelle des chercheurs californiens ont initié une étude, publiée dans l'American Journal of Radiology (AJR), qui tente de comparer la performance diagnostique de l'IA, classée comme positive à deux seuils différents, avec celle des radiologues, en se concentrant sur la VPN et les taux de rappel, dans de larges cohortes de dépistage du cancer du sein par mammographie et par tomosynthèse.

« Dans notre étude portant sur plus de 30 000 examens mammographiques, l'IA a identifié de manière fiable les cas négatifs avec une VPN comparable à celle des radiologues, ce qui suggère un potentiel de rationalisation des flux de travail, explique l'auteure principale, le Dr Hannah S. Milch, du département de radiologie de l'UCLA à Los Angeles (Californie – USA). Cependant, l'IA était également associée à une fréquence accrue de faux positifs, en particulier dans la catégorie de risque intermédiaire. »

Une étude à grande échelle évalue les résultats de l’IA sur les mammographies et les tomosynthèses

Le Dr Milch et son équipe ont analysé 26 693 examens mammographiques et 4 824 tomosynthèses du réseau Athena Breast Health Network entre 2010 et 2019. Les interprétations des radiologues ont été extraites des comptes rendus cliniques, tandis qu'un système d'IA disponible dans le commerce et approuvé par la FDA a classé les examens en risques faible, intermédiaire et élevé. Les diagnostics de cancer du sein dans l'année suivant le dépistage ont été identifiés via un registre du cancer de l'État.

Les chercheurs ont constaté que, sur le champ des mammographies, les radiologues ont obtenu une sensibilité de 88,6%, une spécificité de 93,3%, un taux de rappel de 7,2% et une VPN de 99,9%. Lorsque les résultats positifs étaient définis comme présentant un risque élevé, l'IA a obtenu une sensibilité de 74,4%, une spécificité de 86,3%, un taux de rappel de 14% et une VPN de 99,8%. L'inclusion des cas à risque intermédiaire comme positifs a augmenté la sensibilité à 94%, mais a porté le taux de rappel à 41,8%. Des tendances similaires ont été observées dans la cohorte tomosynthèse.

« La capacité de l'IA à trier en toute sécurité les examens de dépistage négatifs pourrait aider les radiologues à concentrer leur expertise sur les cas plus complexes, conclut le Dr Milch. Cependant, des stratégies sont nécessaires de toute urgence pour traiter les résultats faussement positifs, notamment lors des évaluations à risque intermédiaire, afin d'éviter les rappels inutiles. »