Le dépistage de la mammographie est depuis longtemps l'outil standard pour l'identification précoce, mais ses limites, y compris les cancers manqués et les rappels inutiles, continuent de remettre en question les cliniciens. L'apprentissage profond, une branche de l'intelligence artificielle, est apparu comme un puissant complément à l'interprétation mammographique, offrant la possibilité d'accroître la précision diagnostique tout en réduisant le fardeau des radiologistes. Cet article explore comment l'apprentissage profond est appliqué pour améliorer la détection du cancer du sein dans les mammographies, les mécanismes qui en ont résulté et les obstacles à surmonter pour une adoption clinique généralisée.

Le défi de la détection du cancer du sein

Le cancer du sein est souvent asymptomatique au début, rendant le dépistage de routine essentiel. La mammographie utilise des rayons X à faible dose pour créer des images du tissu mammaire, que les radiologues examinent pour détecter des signes de malignité tels que des microcalcifications, des masses et des distorsions architecturales. Malgré son utilisation généralisée, la mammographie n'est pas infaillible.

Selon l'Organisation mondiale de la santé, le cancer du sein représente environ 2,3 millions de nouveaux cas chaque année dans le monde. Le succès des programmes de dépistage dépend d'une interprétation uniforme, mais le rendement des radiologues peut varier en fonction de l'expérience, de la fatigue et de la complexité des cas.

Limitations de la mammographie traditionnelle

Bien que cette approche soit efficace, elle comporte des limites inhérentes. Les taux de mammographie faux négatifs dans le dépistage varient de 10 % à 30 %, ce qui signifie qu'une proportion importante de cancers sont omis. Les taux de mammographie faux positifs sont également élevés – jusqu'à 10 % des mammographies de dépistage permettent de se rappeler des résultats d'imagerie supplémentaires, la grande majorité de ces résultats se révélant finalement bénignes. Ces limites sont aggravées chez les femmes ayant des seins denses, où la sensibilité peut diminuer de moins de 50 %.

L'apprentissage profond des principes fondamentaux de l'imagerie médicale

L'apprentissage profond est un sous-ensemble de l'apprentissage automatique qui utilise des réseaux neuronaux artificiels à plusieurs couches pour apprendre automatiquement les représentations hiérarchiques à partir de données.Dans l'imagerie médicale, les réseaux neuronaux convolutionnels (RCN) sont l'architecture de choix car ils peuvent saisir des modèles spatiaux – comme les bords, les textures et les formes – sans nécessiter l'ingénierie manuelle des fonctions.

Réseaux neuronaux convolutionnels

Un CNN est constitué de couches convolutionnelles qui appliquent des filtres apprenants aux images d'entrée, produisant des cartes de caractéristiques qui mettent en évidence la présence de modèles spécifiques. Les couches de regroupement réduisent la dimensionnalité, tandis que les couches entièrement connectées effectuent la classification. Pour l'analyse mammographique, les réseaux sont généralement formés de bout en bout sur des paires d'images et des étiquettes de vérités au sol correspondantes (p. ex., cancer présent ou absent).

Ces modèles peuvent intégrer des informations supplémentaires au-delà des données pixel – comme l'âge des patients, la densité mammaire et les écrans antérieurs – pour améliorer les prévisions. Les approches d'apprentissage multi-instances permettent au réseau de fonctionner sur des mammographies entières plutôt que sur des régions pré-séparées, ce qui imite la tâche du radiologue de scanner l'image entière pour détecter les anomalies.

Données et annotation de la formation

Pour la détection du cancer du sein, les ensembles de données comprennent souvent des milliers de mammographies provenant de populations diverses, chacune comportant des annotations d'experts précisant l'emplacement des lésions et les résultats de la pathologie. Les ensembles de données publics disponibles, comme la base de données numérique pour la mammographie de dépistage (DDSM) et le sous-ensemble d'imagerie mammaire curée du DDSM (CBIS-DDSM), ont joué un rôle déterminant dans le développement d'algorithmes. Toutefois, ces ensembles de données ne représentent pas entièrement les populations de dépistage du monde réel, qui comprennent un mélange de cas de cancer et d'examens normaux.

Pour évaluer la formation, les chercheurs ont étudié des méthodes semi-supervisées et faiblement supervisées qui tirent parti des étiquettes partielles, par exemple, en indiquant seulement si un cancer est présent dans une image plutôt que de marquer son emplacement exact.Ces techniques réduisent les coûts d'annotation tout en maintenant une performance concurrentielle.

Comment l'apprentissage profond améliore la précision de détection

Les systèmes d'apprentissage profond améliorent l'interprétation mammographique de plusieurs façons. Premièrement, ils peuvent identifier des modèles subtils qui peuvent être invisibles ou ambigus à l'œil humain. Deuxièmement, ils fournissent des performances cohérentes sur de grands volumes de cas, réduisant la variabilité inter-lecteurs. Troisièmement, ils peuvent être intégrés dans le flux de travail clinique pour trier des examens normaux, signaler des résultats suspects ou servir de deuxième lecteur.

Dans des études rétrospectives, les algorithmes d'apprentissage profond ont démontré des niveaux de sensibilité et de spécificité qui correspondent ou dépassent ceux des radiologues pratiquants.Par exemple, une étude de 2020 publiée dans Radiologie a signalé qu'un système d'IA a atteint une zone sous la courbe caractéristique de fonctionnement du récepteur (AUC) de 0,94 sur un vaste ensemble de tests indépendants, ce qui surpasse la radiologie moyenne d'une marge statistiquement significative.

Réduction des faux positifs et des faux négatifs

Les modèles d'apprentissage approfondi peuvent aider en attribuant une note de risque à chaque mammographie. Les examens avec des notes très faibles peuvent être classés comme étant normaux, tandis que ceux avec des notes élevées donnent lieu à un examen immédiat. Les scores intermédiaires peuvent être augmentés en double lecture ou en imagerie supplémentaire. Cette stratification réduit le nombre de résultats bénins qui sont signalés pour poursuivre l'entraînement, ce qui réduit les taux de faux positifs sans sacrifier la détection du cancer.

Les modèles d'apprentissage profond sont particulièrement efficaces pour détecter les cancers dans les seins denses, une population traditionnellement difficile à mammographie. En apprenant à reconnaître des signes subtils tels que la densité asymétrique ou le développement de densités, l'IA peut identifier des tumeurs qui pourraient être négligées autrement. Plusieurs études ont montré que la lecture combinée de l'IA et du radiologue améliore la sensibilité de 5-15% par rapport au radiologue seul, avec les plus grands gains observés dans les seins denses et les petites tumeurs.

Mesure des performances: sensibilité, spécificité, ASC

Pour évaluer les systèmes d'apprentissage profond, les chercheurs utilisent des mesures normalisées. La sensibilité[ (taux positif réel) mesure la proportion de cancers correctement identifiés. Spécialité[ (taux négatif réel) indique la proportion de cas normaux correctement classés comme normaux. AUC[ résume le compromis entre la sensibilité et la spécificité à tous les seuils de décision possibles. Pour le dépistage du cancer du sein, une sensibilité élevée est essentielle pour éviter les diagnostics manqués, tandis que la spécificité élevée est nécessaire pour minimiser les dommages inutiles.

Intégration dans le flux de travail clinique

Déployer un apprentissage profond dans un programme de dépistage réel exige une réflexion attentive sur la conception du workflow. L'IA peut être mise en œuvre en plusieurs modes : comme un premier lecteur[ (AI signe des examens suspects pour l'examen radiologue), comme un deuxième lecteur[ (AI examine tous les examens indépendamment et signale des écarts), ou comme un outil de tri[ (AI libère automatiquement les examens normaux, ne laissant que des cas potentiellement anormaux pour la lecture humaine).

Soutien aux radiologistes, ne pas les remplacer

Il est important de souligner que l'apprentissage profond vise à augmenter, non à remplacer, les radiologues. La technologie excelle à la reconnaissance et à la cohérence des modèles, mais manque de compréhension contextuelle, de jugement clinique et de compétences en communication que les lecteurs humains fournissent. Un radiologue peut intégrer les antécédents, les symptômes, les facteurs de risque génétique et les résultats d'imagerie antérieurs du patient, information qui n'est souvent pas prise en compte dans l'apport de l'IA.

Mise en œuvre dans le monde réel

Plusieurs systèmes commerciaux ont reçu une autorisation réglementaire pour la mammographie de l'IA, y compris des logiciels provenant d'entreprises comme iCAD, Hologic, ScreenPoint Medical et Lunit. Ces produits sont déployés dans des centres de dépistage en Europe, en Asie et en Amérique du Nord. Les données du monde réel publiées dans des programmes européens montrent que la lecture assistée par l'IA peut maintenir ou améliorer les taux de détection du cancer tout en réduisant le temps de lecture de 30 à 50 %. Par exemple, une étude prospective de grande envergure en Suède (l'essai MASAI) a révélé que le dépistage soutenu par l'IA a détecté 20 % de cancers de plus que la double lecture standard, sans augmenter les faux positifs.

Défis et considérations

Malgré sa promesse, l'intégration de l'apprentissage profond au dépistage du cancer du sein n'est pas sans défis, notamment la protection des données, le biais algorithmique, la surveillance réglementaire et la nécessité d'expliquer les modèles.

Confidentialité et sécurité des données

La formation des modèles d'apprentissage profond exige souvent de grands ensembles de données qui doivent être dé-identifiés et partagés entre les institutions. La conformité aux règlements tels que l'HIPAA aux États-Unis et le RGPD en Europe ajoute de la complexité.Les techniques telles que l'apprentissage fédéré – où les modèles sont formés sur plusieurs sites sans partager de données brutes – offrent une solution potentielle, mais elles demeurent un domaine de recherche actif.

Bénéfices et généralité

Si les ensembles de données de formation comportent principalement des mammographies issues d'une population donnée (par exemple, les femmes d'origine européenne ayant une faible densité mammaire), le modèle peut être mal adapté aux groupes sous-représentés, comme les femmes d'ascendance africaine ou asiatique, qui ont tendance à avoir des seins plus denses et des caractéristiques différentes du cancer du sein, ce qui peut aggraver les disparités existantes en matière de santé.

Approbation réglementaire et explicabilité

Les organismes de réglementation comme la Food and Drug Administration (FDA) des États-Unis et l'Agence européenne des médicaments (EMA) exigent des preuves de l'innocuité et de l'efficacité des systèmes d'IA avant de pouvoir être commercialisés. La plupart des produits d'IA de mammographie ont été nettoyés par la voie 510(k) de la FDA, ce qui exige une démonstration d'équivalence substantielle avec un appareil déjà commercialisé. Cependant, il existe une demande croissante pour des tests plus rigoureux avant la mise en marché, y compris des essais cliniques prospectifs.

Orientations futures

Le domaine évolue rapidement. Plusieurs développements passionnants sont à l'horizon qui pourraient améliorer encore la détection du cancer du sein et les résultats des patients.

Examens préalables personnalisés

Les modèles qui intègrent les antécédents familiaux, les marqueurs génétiques, la densité mammaire et les caractéristiques de mammographie antérieures pourraient prédire avec une précision élevée le risque de cancer du sein d'une femme de cinq ans. Les femmes à risque élevé pourraient être dépistées plus fréquemment ou avec des images complémentaires (p. ex., échographie ou IRM), tandis que les femmes à faible risque pourraient être dépistées moins souvent, ce qui réduirait l'exposition inutile aux rayonnements et aux faux positifs.

Imagerie multimodale

L'intégration des informations issues de la tomosynthèse numérique du sein (DBT), de l'échographie, de l'IRM et même des données génomiques pourrait fournir une évaluation plus complète. Par exemple, l'IA multimodale qui combine des images mammographiques et tomosynthésis a été montré pour détecter des cancers qui sont invisibles dans l'une ou l'autre modalité seulement.

Analyse en temps réel

Actuellement, la plupart des systèmes d'IA traitent les mammographies après l'acquisition, souvent en retournant les résultats en minutes. Les systèmes futurs pourraient fonctionner en temps réel pendant l'examen de dépistage, en faisant apparaître immédiatement les zones suspectes. Cela permettrait au technologue d'obtenir des vues supplémentaires ou au radiologue d'examiner le cas avant le départ du patient, en réduisant les taux de rappel et en accélérant la voie de diagnostic.

Conclusion

En améliorant la sensibilité, en réduisant les faux positifs et en fournissant des performances cohérentes et évolutives, ces systèmes offrent des avantages tangibles aux patients et aux fournisseurs de soins de santé. Pourtant, une intégration réussie exige de relever les défis liés à la confidentialité des données, aux biais, à la conformité réglementaire et à la confiance clinique. L'avenir promet des outils encore plus sophistiqués qui permettront un dépistage personnalisé et une analyse multimodale, ce qui permettra de détecter plus tôt et d'obtenir de meilleurs résultats pour les femmes dans le monde entier.

Pour plus de détails sur ce sujet, consultez les articles de recherche originaux cités dans cet article : une étude historique sur la performance de l'IA publiée dans Radiologie (DOI : 10.1148/radiol.2020192751), les résultats de l'essai MASAI dans The Lancet Digital Health[ (DOI : 10.1016/S2589-7500(21)00176-4), et le modèle de prédiction des risques d'apprentissage profond par Yala et coll. dans Journal of Clinical Oncology (DOI : 10.1200/JCO.19.00507). Des renseignements supplémentaires sur les statistiques relatives au cancer du sein sont disponibles auprès de l'Organisation mondiale de la santé (Fiche d'information de l'OMS) et de la Force opérationnelle des services préventifs des États-Unis (] Recommandations de l'USPSTF sur le dépistage du cancer du sein.