Avis de recherche « Pink Killer », la capacité de l'IA à lire les radiographies mammaires est comparable à celle des médecins

Selon les statistiques de l’Organisation mondiale de la santé, il y a eu 2,3 ​​millions de nouveaux cas de cancer du sein dans le monde en 2020, se classant au premier rang parmi tous les cancers et surpassant le cancer du poumon pour devenir le cancer numéro un.

Cependant, si le cancer du sein peut être détecté tôt et traité rapidement, en tuant les cellules cancéreuses avant que la tumeur ne métastase, le taux de mortalité peut être considérablement réduit. Actuellement, la méthode couramment utilisée pour le dépistage initial du cancer du sein est la radiographie du sein, puis le médecin jugera de la santé du sein en analysant et en examinant les films radiographiques. Cependant, le processus d’examen prendra beaucoup de temps et affectera le traitement des autres patients.
À cette fin, des chercheurs de l’Université de Nottingham au Royaume-Uni ont comparé la capacité de l’IA commerciale et des médecins à lire les radiographies mammaires, fournissant de nouvelles idées pour l’application de l’IA en médecine clinique.

Auteur | Xuecai

Rédacteur | Trois moutons, tour de fer

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Selon les statistiques de l'American Cancer Society, le nombre de nouveaux cas de cancer chez les femmes américaines en 2022 sera d'environ 930 000, dont environ 290 000 seront de nouvelles patientes atteintes d'un cancer du sein, soit 31 %. Dans le même temps, le cancer du sein représente 15 % des décès par cancer, juste derrière le cancer du poumon.

Figure 1 : Nombre de nouveaux cas de cancer (en haut) et de décès par cancer (en bas) aux États-Unis en 2022

En Chine, le cancer du sein est le cancer le plus fréquent chez les femmes au 21e siècle , et le nombre de nouveaux patients augmente chaque année.

Figure 2 : Nombre de nouveaux cas de cancer chez les femmes chinoises de 2000 à 2016, la couleur grise représentant les cas de cancer du sein

Le cancer du sein est une maladie dans laquelle des cellules mammaires anormales se développent de manière incontrôlée et forment des tumeurs. Si elle n’est pas traitée à temps, la tumeur va métastaser et se propager, mettant éventuellement la vie en danger. Cependant, si les tumeurs locales peuvent être détectées aux premiers stades du cancer et qu’un traitement est commencé, le taux de survie à cinq ans du cancer peut atteindre 99 %.

Actuellement, les hôpitaux effectuent généralement le dépistage initial du cancer du sein par mammographie. Cependant, des faux positifs peuvent survenir lors du dépistage initial, ce qui conduit à des tests inutiles chez des patients qui ne sont pas atteints de cancer. Il peut également y avoir des omissions, retardant le meilleur moment de traitement pour les patients.

C’est pourquoi de nombreux pays européens révisent les mammographies afin d’éliminer autant de cas de faux positifs que possible. Cette méthode est efficace, réduisant les faux positifs tout en augmentant le taux de détection du cancer de 6 à 15 %.

Cependant, la lecture et l’évaluation des radiographies prennent un temps considérable. Dans les régions où le ratio médecin-patient est faible, l’examen des radiographies non seulement prend du temps aux médecins, mais affecte également le dépistage précoce des autres patients.

L’application de l’IA a partiellement allégé la charge de travail des médecins. Il semble toutefois risqué de confier à l’IA le soin d’évaluer la vie et la santé. À cet égard, le professeur Yan Chen de l'Université de Nottingham au Royaume-Uni a déclaré : « Il y a beaucoup de pression pour appliquer l'IA à la médecine clinique, mais nous devons le faire bien pour protéger la santé des femmes. »

À cette fin, l’équipe de Yan Chen a comparé la précision de l’IA commerciale Lunit avec celle des médecins lisant les mammographies. **Les résultats montrent que la capacité de Lunit à analyser les mammographies est comparable à celle des médecins humains. **Ce résultat a été publié dans « Radiology ».

Lien vers l'article :

https://pubs.rsna.org/doi/10.1148/radiol.223299#_i13

Procédure expérimentale

Ensemble de données : ensemble de données PERFORMS

Cette étude a sélectionné deux ensembles de données PERFORMS comme ensembles de test pour le modèle. Chaque ensemble de données PERFORMS comprend 60 radiographies difficiles, y compris des tumeurs malignes (environ 35 %), des tumeurs bénignes et des résultats normaux. L'ensemble de données PERFORMS a été utilisé pour les tests d'entrée et l'évaluation de routine des médecins dans le cadre du programme national de dépistage du cancer du sein du service national de santé du Royaume-Uni (NHSBSP) au cours des 30 dernières années.

Critères d'évaluation : notation + notation

Lors de l'analyse des radiographies, les médecins marqueront les emplacements suspects et donneront finalement une note de 1 à 5, correspondant à normal, bénin, incertain, suspect et malin.

L'IA évaluera la suspicion de chaque caractéristique de la radiographie sur une échelle de 1 à 100 , le score le plus élevé étant considéré comme le score pour l'ensemble de la radiographie. S'il n'y a pas de caractéristiques suspectes, cela est considéré comme 0 point.

Figure 3 : Analyse des radiographies mammaires par les médecins et l’IA

A : La flèche bleue indique une masse inconnue d’un diamètre de 8 mm, qui a été identifiée plus tard comme un carcinome canalaire histologique de grade 2 ;

B : La croix rouge est la caractéristique anormale découverte par l'IA, et le point bleu est la zone suspecte marquée par le médecin lors de l'analyse.

Résultats de comparaison : Spécificité + Sensibilité

Au total, 552 médecins ont participé au concours, soit 68 % du nombre total de NHSBSP, dont 315 radiologues, 206 radiographes et 31 cliniciens.

Après avoir analysé deux ensembles de données PERFORMS, ils ont conclu que 161 mammographies étaient normales, 70 présentaient des tumeurs malignes et 9 étaient bénignes. Les caractéristiques communes de la malignité comprenaient une masse (64,3 %), une calcification (12,9 %), une asymétrie (11,4 %) et une distorsion architecturale (11,4 %), avec une taille moyenne de lésion de 15,5 ± 9,2 mm.

Tableau 1 : Résultats sur l'ensemble de données PERFORMS

L’ASC moyenne pour le groupe humain était de 0,88. L'ASC du groupe AI était de 0,93, correspondant au 96,8e percentile du groupe humain, mais il n'y avait pas de différence significative dans les ASC des deux groupes.

Figure 4 : Histogramme de l'ASC du groupe médecin et de l'ASC de l'IA (ligne jaune)

La sensibilité et la spécificité moyennes dans le groupe humain étaient respectivement de 90 % et 76 %. Aux seuils recommandés par les développeurs, la sensibilité et la spécificité de l'IA étaient respectivement de 84 % et 89 %.

Tableau 2 : Résultats du jugement du groupe de médecins et de l'IA avec différents seuils

TP : vrai positif ;

FP : faux positif ;

TN : vrai négatif ;

FN : faux négatif ;

Sensibilité = TP / nombre total de positifs ;

Spécificité = TN / nombre total de négatifs.

Dans la courbe ROC de l’IA, 52 % des médecins ont obtenu des résultats supérieurs à la courbe, 36 % étaient inférieurs à la courbe et 12 % ont obtenu des résultats conformes à la courbe ROC.

Figure 5 : Courbe ROC de l'IA, où les points bleus représentent les performances de différents médecins

Lorsque le seuil de l'IA était de 3,06, la sensibilité de l'IA était cohérente avec celle des médecins, détectant 63 tumeurs malignes et n'en manquant que 7. À ce moment-là, la spécificité de l'IA n'était pas significativement différente de celle des médecins.

Lorsque le seuil a été fixé à 2,91, l’IA avait une spécificité cohérente avec le groupe de médecins et une sensibilité de 91 %. Les résultats ci-dessus montrent que la sensibilité et la spécificité de l’IA de Lunit dans l’analyse des radiographies mammaires sont comparables à celles des médecins humains.

Figure 6 : L’impact de différents seuils sur les résultats du jugement de l’IA

A : La flèche bleue indique une zone asymétrique, qui a été identifiée plus tard comme un carcinome canalaire histologique de grade 2 ;

B : Résultats de détection lorsque le seuil d'IA est de 2,91 et que la croix rouge est finalement identifiée comme un vrai positif ;

C : Les résultats du test lorsque le seuil d'IA était de 3,06, aucune caractéristique anormale évidente n'a été trouvée.

Le professeur Yan Chen a déclaré : « Les résultats de cette étude fournissent des preuves solides en faveur du dépistage par IA, montrant que le niveau d'analyse des mammographies par l'IA est comparable à celui des médecins humains . »

Cancer du sein : le tueur rose caché

À l'occasion de la Journée mondiale contre le cancer, le 4 février 2021, le Centre international de recherche sur le cancer, dépendant de l'Organisation mondiale de la santé (OMS), a déclaré qu'il y avait eu 2,3 ​​millions de nouveaux cas de cancer du sein l'année dernière, soit 11,7 %, dépassant pour la première fois le nombre de nouveaux cas de cancer du poumon , devenant ainsi un « tueur rose caché ».

Dans le même temps, le groupe présentant la plus forte incidence de cancer du sein est celui des femmes des pays à revenu élevé, tandis que le taux d’incidence est significativement plus faible chez les femmes des pays à revenu moyen et faible. De plus, environ 0,5 à 1 % des cancers du sein surviennent chez les hommes.

Cependant, le taux de mortalité du cancer du sein lui-même n’est pas élevé. Entre 2016 et 2020, 8 millions de femmes ont reçu un diagnostic de cancer du sein et ont survécu, soit plus que pour tout autre cancer.

Actuellement, l’OMS promeut l’Action mondiale contre le cancer du sein dans le monde entier, dans l’espoir de réduire le nombre de décès dus au cancer du sein dans le monde grâce à une détection précoce, un diagnostic rapide et une prise en charge complète du cancer du sein.

Figure 7 : Dépistage du cancer du sein assisté par l'IA

En tant qu’outil puissant pour le dépistage initial du cancer du sein, l’IA peut détecter les caractéristiques précoces du cancer du sein en temps opportun et devrait tuer le « tueur rose » dans l’œuf. Il est toutefois peut-être trop tôt pour promouvoir l’IA dans la pratique clinique à grande échelle, car les changements dans l’environnement et dans l’algorithme lui-même continueront d’avoir un impact, entraînant une diminution de la sensibilité et de la spécificité de l’IA au fil du temps.

Le professeur Yan Chen estime également que « une fois que l’IA entre dans l’application clinique, nous devons disposer d’un mécanisme pour l’évaluer et la surveiller en permanence ». Aujourd’hui, des équipes de recherche du monde entier évaluent les résultats de détection de l’IA et ont obtenu des résultats satisfaisants. À l’avenir, avec l’aide d’une IA efficace et d’un mécanisme de régulation solide , toutes sortes de maladies n’auront « nulle part où se cacher » et notre santé sera protégée de manière plus stable.

Liens de référence :

[1]https://acsjournals.onlinelibrary.wiley.com/doi/10.3322/caac.21708

[2]https://www.sciencedirect.com/science/article/pii/S2667005422000047

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~