Une nouvelle IA détecte le cancer du sein en analysant la densité des tissus mammographiques

• Un nouveau modèle d'apprentissage en profondeur analyse les tissus mammaires dans les mammographies et estime avec précision les cotes de densité.
• Ces évaluations sont un facteur de risque indépendant de cancer du sein.
• Le modèle prend moins d'une seconde pour traiter une mammographie et il peut être facilement mis à l'échelle dans tous les hôpitaux.

Aux États-Unis, les taux de mortalité par cancer du sein sont significativement plus élevés que tout autre type de cancer, en plus du cancer du poumon (chez les femmes). Selon Breastcancer.org, environ 12,4 % des femmes aux États-Unis développent un cancer du sein invasif au cours de leur vie.

La mammographie est une méthode d'utilisation de rayons X de faible puissance pour analyser le sein humain à des fins de dépistage et de diagnostic. Cependant, un tissu dense peut rendre ce processus difficile en masquant les cancers sur la mammographie. En règle générale, l'évaluation de la densité mammaire dépend d'une évaluation humaine subjective. Les résultats varient d'un radiologue à l'autre en raison de plusieurs facteurs.

Désormais, les chercheurs du Massachusetts General Hospital (MGH) et du MIT ont mis au point un outil automatisé qui analyse avec précision le tissu mammaire dense dans les mammographies. Il s'agit d'un modèle d'apprentissage en profondeur formé sur des dizaines de milliers de mammographies numériques haute définition afin qu'il puisse apprendre à différencier les différents types de tissus mammaires.

À partir d'une nouvelle image mammographique, les outils peuvent détecter une mesure de densité aussi fiable que les radiologues experts. Selon les auteurs, il s'agit de la première IA de ce type qui a été démontrée avec succès sur des patients hospitalisés. Ils pensent que cette technologie peut être largement mise en œuvre dans tout le pays et qu'elle apportera une plus grande fiabilité aux évaluations des tissus mammaires.

Formation

L'outil est basé sur un réseau neuronal convolutif composé de neurones avec des poids et des biais pouvant être appris. Ils ont formé et testé le réseau sur un riche ensemble de données contenant plus de 58 000 images mammographiques prises au hasard sur 39 000 femmes dépistées de 2009 à 2011. Environ 41 000 de ces images ont été utilisées pour la formation et 8 600 pour les tests.

Chaque image démographique contient une cote de densité standard BI-RAIDS (système de rapports et de données sur l'imagerie mammaire) en 4 groupes :

1. Hétérogène (principalement dense)
2. Densité dispersée
3. Dense
4. Graisse

Dans la phase de formation et de test, près de 40 % ont été jugés denses et hétérogènes. Tout au long de la phase de formation, le réseau est alimenté en images mammographiques aléatoires pour évaluation. Il apprend progressivement à cartographier les mammographies de manière à ce qu'elles correspondent étroitement aux évaluations de densité des experts.

Par exemple, les réseaux de tissus mammaires graisseux semblent plus minces avec une zone grise partout, tandis que les seins denses sont constitués de tissus conjonctifs fibreux et glandulaires qui apparaissent sous la forme d'un réseau serré de taches blanches solides et de lignes blanches épaisses. Au cours de la phase de test, le réseau voit de nouvelles images mammographiques et estime le groupe de densité le plus probable.

Référence :RSNA Radiologie | doi:10.1148/radiol.2018180694 | MIT

L'outil a été mis en œuvre au service d'imagerie mammaire de MGH, où il a été installé dans une machine isolée. En règle générale, une mammographie est générée et envoyée à un établissement pour évaluation, qui est effectuée par un radiologue expert. Après toutes les investigations nécessaires, il/elle attribue une cote de densité à chaque mammographie.

Lorsque les experts effectuent une analyse dans leur établissement, ils voient les notes attribuées par cet outil d'apprentissage en profondeur, qu'ils peuvent ensuite rejeter ou accepter.

Résultats

Le réseau prend moins d'une seconde pour traiter une mammographie et il pourrait être mis à l'échelle dans tous les hôpitaux de la ville, sans dépenser beaucoup d'argent et de main-d'œuvre.

Évaluation du radiologue vs évaluation de l'apprentissage en profondeur (DL) pour le test binaire | Avec l'aimable autorisation des chercheurs 

Entre janvier et mai (2018), le réseau a observé plus de 10 000 images mammographiques et a pu obtenir un accord de 94 % entre les experts lors d'un test binaire, où ils devaient déterminer si les seins étaient soit denses et hétérogènes, soit dispersés et gras. Pour les 4 groupes BI-RAIDS, il s'alignait sur l'opinion des experts 90 % du temps.

Évaluation du radiologue vs évaluation de l'apprentissage en profondeur (DL) pour 4 groupes BI-RAIDS | Avec l'aimable autorisation des chercheurs 

Dans les tests généraux (basés sur l'ensemble de données d'entraînement), le réseau a correspondu aux interprétations des radiologues 87 % du temps dans les tests binaires et 77 % dans 4 groupes BI-RADS.

Lire :L'IA peut sentir les maladies dans l'haleine humaine | Y compris différents cancers

Les techniques de prédiction conventionnelles utilisent une métrique nommée score kappa, où 1 représente que les estimations concordent à chaque fois et une valeur inférieure représente moins de cas de concordance. Pour les méthodes existantes, les scores Kappa atteignent jusqu'à 0,6, tandis que pour le nouveau modèle, ils atteignent 0,85 en application clinique et 0,76 en test général. Cela indique clairement que le nouvel outil fait une meilleure estimation que les techniques conventionnelles.