IA révolutionnaire : analyse de mammographie en 1 seconde pour détecter le risque de cancer du sein via la densité tissulaire

• Un nouveau modèle d'apprentissage profond analyse les tissus du sein sur les mammographies et estime avec précision les scores de densité.
• Ces scores sont un facteur de risque indépendant pour le cancer du sein.
• Le modèle traite une mammographie en moins d'une seconde et pourrait être facilement déployé dans les hôpitaux.

Aux États-Unis, les taux de mortalité par cancer du sein sont significativement plus élevés que pour tout autre type de cancer, hormis le 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 utilisant des rayons X de faible puissance pour analyser le sein humain à des fins de dépistage et de diagnostic. Cependant, les tissus denses peuvent rendre ce processus difficile en masquant les cancers sur la mammographie. Généralement, l'évaluation de la densité du sein dépend d'une évaluation subjective humaine. Les résultats varient d'un radiologue à l'autre en raison de plusieurs facteurs.

Maintenant, des chercheurs du Massachusetts General Hospital (MGH) et du MIT ont construit un outil automatisé qui analyse avec précision le tissu mammaire dense sur les mammographies. C'est un modèle d'apprentissage profond entraîné sur des dizaines de milliers de mammographies numériques haute définition afin qu'il apprenne à différencier les différents types de tissus mammaires.

Donnée une nouvelle image mammographique, l'outil peut détecter une mesure de densité aussi fiable que celle de radiologues experts. Selon les auteurs, c'est la première IA de ce type qui a été démontrée avec succès sur des patients à l'hôpital. Ils estiment que cette technologie peut être largement déployée à l'échelle nationale et apportera une plus grande fiabilité aux évaluations de densité du tissu mammaire.

Entraînement

L'outil repose sur un réseau de neurones convolutif composé de neurones avec des poids et biais apprenables. Ils ont entraîné et testé le réseau sur un jeu de données riche contenant plus de 58 000 images mammographiques prises au hasard auprès de 39 000 femmes dépistées de 2009 à 2011. Environ 41 000 de ces images ont été utilisées pour l'entraînement, et 8 600 pour le test.

Chaque image démographique contient un score de densité BI-RADS (Breast Imaging Reporting and Data System) standard en 4 groupes :

1. Hétérogène (majoritairement dense)
2. Densité dispersée
3. Dense
4. Grasse

Lors des phases d'entraînement et de test, près de 40 % étaient classés comme denses et hétérogènes. Tout au long de la phase d'entraînement, le réseau est alimenté avec des images mammographiques aléatoires pour évaluation. Il apprend progressivement à mapper les mammographies de manière à ce qu'elles s'alignent étroitement avec les scores de densité des experts.

Par exemple, les réseaux de tissu mammaire gras semblent plus fins avec des zones grises partout, tandis que les seins denses consistent en tissu conjonctif fibreux et glandulaire qui apparaissent comme un réseau serré de taches blanches solides et de lignes blanches épaisses. Dans la phase de test, le réseau voit de nouvelles images mammographiques et estime le groupe de densité le plus probable.

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

L'outil a été mis en œuvre au département d'imagerie mammaire du MGH, où il a été installé sur une machine isolée. Généralement, une mammographie est générée et envoyée à un établissement pour évaluation, réalisée par un radiologue expert. Après toutes les investigations nécessaires, il/elle attribue un score de densité à chaque mammographie.

Lorsque les experts affichent un scan dans leur établissement, ils verront les scores attribués par cet outil d'apprentissage profond, qu'ils pourront ensuite rejeter ou accepter.

Résultats

Le réseau met moins d'une seconde pour traiter une mammographie et pourrait être déployé dans les hôpitaux de la ville, sans coûts excessifs ni main-d'œuvre importante.

Évaluation radiologue vs apprentissage profond (DL) pour 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 réussi à atteindre 94 % d'accord parmi les experts dans un test binaire, où ils devaient déterminer si les seins étaient soit denses et hétérogènes, soit dispersés et gras. Pour les 4 groupes BI-RADS, il s'alignait avec l'avis des experts 90 % du temps.

Évaluation radiologue vs apprentissage profond (DL) pour 4 groupes BI-RADS | Avec l'aimable autorisation des chercheurs

En test général (basé sur le jeu de données d'entraînement), le réseau correspondait aux interprétations des radiologues 87 % du temps dans les tests binaires, et 77 % sur les 4 groupes BI-RADS.

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

Les techniques de prédiction conventionnelles utilisent une métrique appelée score kappa, où 1 représente un accord parfait et une valeur inférieure représente moins de cas d'accord. Pour les méthodes existantes, les scores kappa atteignent jusqu'à 0,6, tandis que pour le nouveau modèle, il atteint 0,85 en application clinique et 0,76 en test général. Cela indique clairement que le nouvel outil fait de meilleures estimations que les techniques conventionnelles.