{{{sourceTextContent.title}}}

Un système d'intelligence artificielle réduit les faux positifs dans l'interprétation des échographies mammaires

{{{sourceTextContent.subTitle}}}

Deux études importantes menées par des radiologues et des scientifiques des données du NYU Langone Health Center, présentées à la RSNA 2021, se sont concentrées sur la capacité de l'IA à réduire les faux positifs

{{{sourceTextContent.description}}}

Les résultats d'un essai clinique qui a utilisé l'intelligence artificielle (IA) dans le but de réduire les faux positifs lors d'une échographie du sein ont été présentés par Linda Moy, MD, du Center for Advanced Imaging Innovation and Research (CAI2R) de NYU Langone Health, lors du RSNA 2021. Moy, chef de file de l'IA en radiologie, est également professeur de radiologie à la NYU Grossman School of Medicine et membre du Perlmutter Cancer Center.

Dirigée par des chercheurs du département de radiologie du NYU Langone Health et de son Laura and Isaac Perlmutter Cancer Center, l'analyse d'IA de l'équipe serait la plus importante du genre.

Outre Moy, qui a joué le rôle de cochercheur, l'étude a été menée par l'équipe suivante : Le chercheur principal Krzysztof J. Geras, PhD, les co-investigateurs principaux Yiqiu "Artie" Shen, Farah Shamout et Jamie Oliver ; et les co-investigateurs Jan Witowski, Kawshik Kannan, Jungkyu Park, Nan Wu, Connor Huddleston, Stacey Wolfson, Alexandra Millet, Robin Ehrenpreis, Divya Awal, Cathy Tyma, Naziya Samreen, Yiming Gao, Chloe Chhor, Stacey Gandhi, Cindy Lee, Sheila Kumari- Subaiya, Cindy Leonard, Reyhan Mohammed, Christopher Moczulski, Jaime Altabet, James Babb, Alana Lewin, Beatriu Reig et Laura Heacock.

L'étude, publiée dans la revue Nature Communications (24 septembre 2021), a été soutenue par la National Science Foundation (NSF) des États-Unis, qui a offert cet aperçu :

Les chercheurs travaillant sur une initiative soutenue par la Fondation nationale des sciences des États-Unis ont formé l'IA pour identifier le cancer du sein en utilisant les données obtenues à partir d'échographies réalisées précédemment. L'outil d'IA a considérablement augmenté la précision des diagnostics.

"Si nos efforts pour utiliser l'apprentissage automatique comme outil de triage pour les études par ultrasons s'avèrent fructueux, les ultrasons pourraient devenir un outil plus efficace dans le dépistage du cancer du sein, notamment comme alternative à la mammographie, et pour les personnes ayant un tissu mammaire dense", a déclaré Moy. "Son impact futur sur l'amélioration de la santé mammaire des femmes pourrait être profond", a-t-elle ajouté. Le résumé de l'étude est présenté ici.

Résumé :

L'échographie est une modalité d'imagerie importante pour la détection et la caractérisation du cancer du sein. Bien qu'elle ait toujours permis de détecter des cancers occultes à la mammographie, l'échographie mammaire présente des taux élevés de faux positifs.

Dans ce travail, un système d'IA qui atteint une précision de niveau radiologique dans l'identification du cancer du sein dans les images échographiques est présenté.

Développé sur 288 767 examens, comprenant 5 442 907 images en mode B et Doppler couleur, l'IA atteint une aire sous la courbe caractéristique d'exploitation du récepteur (AUROC) de 0,976 sur un ensemble de tests comprenant 44 755 examens. Dans une étude rétrospective auprès de lecteurs, l'IA a obtenu un AUROC plus élevé que la moyenne de dix radiologues du sein certifiés par le conseil d'administration (AUROC : 0,962 IA, 0,924 ± 0,02 radiologues). Avec l'aide de l'IA, les radiologues réduisent leur taux de faux positifs de 37,3 % et les biopsies demandées de 27,8 %, tout en conservant le même niveau de sensibilité. Ces résultats soulignent le potentiel de l'IA pour améliorer la précision, la cohérence et l'efficacité du diagnostic par échographie mammaire.

Matériels et méthodes - Modèle

- Développement d'un système d'IA utilisant un DCNN entraîné sur un classificateur d'assurance multiple globalement conscient

- Modèle faiblement supervisé qui identifie automatiquement les lésions malignes et bénignes sans nécessiter d'annotations manuelles de la part des radiologues

- La pathologie a été utilisée comme norme de référence

- Détails sur le prétraitement des données, l'étiquetage, l'annotation et la vérité terrain

- L'ensemble de données a été divisé au niveau du patient en bases de données de formation (60%), de validation (10%) et de test (30%).

Base de données de l'échographie mammaire de NYU

- Le système d'intelligence artificielle a été entraîné à l'aide d'un ensemble de données internes comprenant 288 767 examens échographiques et 5 442 907 images totales acquises auprès de 143 203 patients entre 2012 et 2019

- 20 centres d'imagerie qui effectuent des examens échographiques de dépistage et de diagnostic

- 28 914 de ces examens ont été associés à au moins une procédure de biopsie

- 5 593 de ces biopsies ont donné des résultats malins.

Résultats

- Sur un ensemble de test de 44 755 examens, le système d'IA a obtenu une AUC de 0,976 pour l'identification des examens présentant des tumeurs malignes

- Parmi les 663 examens de l'étude des lecteurs, le système d'IA a obtenu une AUC de 0,962, dépassant la moyenne de dix radiologues (0,924 +/- 0,02). p<0,001

- À la sensibilité moyenne du radiologue (90,1 %), le système AI avait une spécificité plus élevée (85,6 % contre 80,7 %, p<0,001)

- Le système d'IA a recommandé moins de biopsies (19,8% contre 24,3%) p<0,001.

Étude de lecteur - Modèle hybride

- Les modèles hybrides ont amélioré l'AUC du radiologue de 0,929 à 0,960

- Aux niveaux de sensibilité du radiologue, les modèles hybrides :

- Ont augmenté la spécificité moyenne du radiologue de 80,7 % à 88,4 % (p<0,001)

- Augmentation de la VPP du radiologue de 27,1 % à 39,2 % (p<0,001)

- Les modèles hybrides ont réduit le taux moyen de biopsie de 24,3 % à 17,2 % (p<0,001)

- La réduction des biopsies à l'aide des modèles hybrides a représenté 29,4 % de toutes les biopsies recommandées.

Conclusion

- Le système d'IA a détecté et diagnostiqué un cancer sur l'échographie mammaire avec une précision supérieure à celle des radiologues expérimentés certifiés par le conseil d'administration

- L'aide à la décision de l'IA a réduit les biopsies inutiles

- Les modèles hybrides de prise de décision peuvent potentiellement améliorer les performances des imageurs mammaires sans le coût supplémentaire d'un second lecteur humain

- Le système pourrait être exploité pour soutenir la prise de décision en cas de pénurie de radiologues.

La conclusion de l'étude présente le point de vue des chercheurs sur les futures applications cliniques et l'impact de l'intelligence artificielle sur les efforts visant à améliorer la précision de l'imagerie du cancer du sein.

Les auteurs y font part de leurs conclusions

"En conclusion, nous avons examiné le potentiel de l'IA dans l'évaluation des examens aux États-Unis. Nous avons démontré dans une étude sur les lecteurs que les modèles d'apprentissage profond entraînés avec une quantité suffisamment importante de données sont capables de produire des diagnostics aussi précis que les radiologues expérimentés. Nous avons également montré que la collaboration entre l'IA et les radiologues peut améliorer considérablement leur spécificité et éviter 27,8 % des biopsies demandées. Nous pensons que cette recherche pourrait compléter les approches futures du diagnostic du cancer du sein. En outre, l'approche générale employée dans notre travail, principalement le cadre de classification et de localisation faiblement supervisée, peut permettre l'utilisation de l'apprentissage profond dans des tâches similaires d'analyse d'images médicales."

SIDEBAR :

Système d'intelligence artificielle pour le triage automatisé des examens d'échographie mammaire

Voici un aperçu clinique d'une deuxième étude présentée par Linda Moy, MD, lors de la session RSNA 2021 : "L'imagerie du sein : Advanced Breast Ultrasound"

Parmi les auteurs figuraient Jamie Oliver, BA, Beatrice Reig, MD, MPH, Yiming Gao, MD, Alan Lewin, MD, Linda Moy, MD, Laura Heacock, MD.

Hypothèse : Un modèle DL formé pour trier les examens échographiques du sein comme étant sans cancer peut améliorer l'efficacité et la spécificité des radiologues sans compromettre la sensibilité.

Objectif : Former un système d'IA pour trier les examens du sein dans le but de réaffecter le temps des radiologues aux examens avec une forte suspicion de malignité.

MATÉRIAUX ET MÉTHODES - ENSEMBLE DE DONNÉES

Le système d'IA a été entraîné en utilisant un jeu de données interne de 288 767 examens échographiques avec 5 442 907 images totales acquises auprès de 143 203 patients entre 2012-2019.

- 20 centres d'imagerie qui réalisent des examens échographiques de dépistage et de diagnostic

- 28 914 de ces examens étaient associés à au moins une procédure de biopsie

- 5 593 de ces biopsies ont donné des résultats malins

RÉSULTATS

- Sur un test de 44 755 examens, le système d'IA a obtenu une SSC de 0,96 pour identifier les examens présentant des lésions malignes

- Lorsque le système de triage a évalué 3 553 examens initialement évalués comme B1-RADS 3, il a reclassé comme bénins 60 %, 70 % et 80 % des examens ayant obtenu les scores AI les plus faibles, sans manquer aucune malignité

- Le système AI peut éviter le recours à l'imagerie de suivi

DISCUSSION

- En utilisant un seuil de sensibilité élevé, notre modèle DL peut fonctionner comme un système autonome

- Triage de 60 à 80 % des examens d'échographie mammaire à partir de la liste de travail du radiologue, avec un taux de faux négatifs de 0,008 à 0,03 %

- En utilisant un seuil de sensibilité élevé, notre modèle DL a placé 978 (2,2 %) examens dans un flux d'évaluation amélioré, avec une VPP élevée de 69,6 %

PERTINENCE CLINIQUE

- L'aide à la décision de l'IA a permis de réduire le nombre de biopsies et d'examens de suivi inutiles

- Le système pourrait être exploité pour soutenir la prise de décision en cas de pénurie de radiologues.