Par le Dr Mickael Suissa
A notre échelon de radiologues utilisateurs, l’intelligence artificielle (IA) est sensée nous aider dans la détection des lésions tumorales grâce à des « indicateurs » obtenus en temps réel, au moment de l’interprétation des images radiologiques.
C’est vrai dans le cancer du sein, où l’IA trouve ses applications les plus anciennes et les plus abouties, mais aussi pour d’autres organes (poumon, colon…).
Après un exposé sur l’aspect technique d’obtention des données, nous passerons en revue quelques applications en sénologie.
Cet article est écrit grâce à la collaboration avec la société ICAD, leader de l’IA pour le diagnostic du cancer du sein et partenaire logistique historique de General Electric Healthcare, qui équipe l’Institut de Radiologie de Paris depuis la fin des années 90. Elle dispose d’une solution 2D et surtout désormais 3D approuvée par la FDA et le marquage CE.
L’Institut de radiologie de Paris a le plaisir et l’honneur d’être l’un des très rares centres de radiologie de France à mettre à la disposition de ses patientes de mammographie le logiciel d’intelligence artificielle « Icad Profound AI », au développement duquel il participe d’ailleurs depuis près de dix ans, avec d’autres institutions telles que l’Institut Gustave Roussy (Villejuif).
Il existe à ce jour de nombreuses études cliniques multicentriques prouvant la performance des solutions proposées, qu’elles soient en Deep Learning 2D, 3D ou de type « classification densité mammaire ».
QU’EST-CE QUE LE DEEP LEARNING ?
Il s’agit d’une branche de l’apprentissage automatique (machine learning). L’ordinateur est formé pour apprendre les caractéristiques d’un cancer avec les données prouvées de cancer ( biopsies).
Une étude clinique dite « profound AI » menée par ICAD a été réalisée aux Etats-Unis par 24 radiologues sur 265 patientes pour comparer les performances diagnostiques des lecteurs avec et sans IA.
Elle a montré, outre une diminution du temps de lecture, que la performance diagnostique n’est pas inférieure avec le CAD (Computed Aided Detection, détection assistée par ordinateur), ainsi qu’une augmentation majeure de la sensibilité et de la spécificité.
Ces graphiques montrent une amélioration significative de la performance globale (+7%) lors de la lecture avec le CAD ( Profound AI ) ( ROC).
Le temps de lecture diminue de 50% en moyenne avec l’IA .
Le principe de la solution 3D consiste à associer l’IA à la lecture des coupes de tomosynthèse : détection simultanée des masses, distorsions et calcifications.
Il s’agit d’algorithmes basés sur des réseaux neuronaux convolutifs : le logiciel ProFound Deep Learning localise, segmente et classifie les lésions mammaires.
Le logiciel analyse les coupes, réalise une analyse algorithmique, puis édite et affiche les résultats : «contouring » des lésions et édition d’un score de confiance ( réglable en terme de sensibilité et spécificité).
Exemples :
Contouring de la lésion détectée par l’algorithme et édition d’un « score de risque » .
Exemple de cas clinique :
Femme de 44 ans : foyer de calcifications ACR4 du QSE sein gauche.
Groupement de calcifications détecté par le CAD
Sans le CAD : seulement 12 sur les 24 radiologues l’ont détecté ; 21 sur 24 après le CAD.
En conclusion, l’IA (CAD) est utile dans la détection, l’essentiel dans le screening du cancer du sein : elle permet d’augmenter la performance du radiologue expert, sans diminuer son temps de lecture, et sans altérer son diagnostic.
L’intelligence artificielle devient un outil incontournable, qui ne cessera d’améliorer sa sensibilité et sa spécificité, au fur et à mesure que les données intégrées par les logiciels seront importantes et en fonction de l’amélioration technique de ces derniers (puissance de calcul).