Une stratégie de lecture hybride pour le dépistage de la mammographie, développée par des chercheurs néerlandais et déployé rétrospectivement à plus de 40 000 examens, réduit la charge de travail des radiologues de 38% sans changer les taux de rappel ou de détection de cancer. L'étude, qui met l'accent sur la confiance de l'IA, a été publiée aujourd'hui dans Radiologieun journal de la Société radiologique d'Amérique du Nord (RSNA).
« Bien que la performance globale des modèles d'IA de pointe soit très élevée, l'IA fait parfois des erreurs », a déclaré Sarah D. Verboom, M.Sc., doctorat au Département d'imagerie médicale du Radboud University Medical Center aux Pays-Bas. « L'identification des examens auxquels l'interprétation de l'IA n'est pas fiable est cruciale pour permettre et optimiser l'utilisation des modèles d'IA dans les programmes de dépistage du cancer du sein. »
La stratégie de lecture hybride consiste à utiliser une combinaison de lecteurs de radiologues et une interprétation autonome de l'IA des cas dans lesquels le modèle d'IA fonctionne ainsi que, ou mieux que le radiologue.
« Nous pouvons atteindre ce niveau de performance si le modèle d'IA fournit non seulement une évaluation de la probabilité de malignité (POM) pour un cas mais également une notation de sa certitude de cette évaluation », a déclaré Verboom. « Malheureusement, le POM lui-même n'est pas toujours un bon prédicteur de certitude parce que les réseaux de neurones profonds ont tendance à être trop confiants dans leurs prédictions. »
Pour développer et évaluer une stratégie de lecture hybride, les chercheurs ont utilisé un ensemble de données de 41 469 examens de mammographie de dépistage de 15 522 femmes (59 ans médian) avec 332 cancers détectés par écran et 34 cancers d'intervalle. Les examens ont été effectués entre 2003 et 2018 à Utrecht, aux Pays-Bas, dans le cadre du programme national de dépistage du cancer du sein néerlandais.
L'ensemble de données a été divisé au niveau du patient en deux groupes égaux avec des taux identiques de détection du cancer, de rappel et d'intervalle. Le premier groupe a été utilisé pour déterminer les seuils optimaux pour la stratégie de lecture hybride, tandis que le deuxième groupe a été utilisé pour évaluer les stratégies de lecture.
Parmi les mesures d'incertitude évaluées par les chercheurs, l'entropie du score POM moyen de la région la plus suspecte a produit un taux de détection de cancer de 6,6 pour 1 000 cas et un taux de rappel de 23,7 pour 1 000 cas, similaire aux taux de double lecture standard par les radiologues.
La stratégie de lecture hybride finale a impliqué l'IA d'évaluer chaque mammographie de dépistage pour produire deux sorties: le POM et une estimation d'incertitude de cette prédiction. Lorsque l'IA a déterminé que le POM était inférieur au seuil établi avec certitude, le cas était considéré comme normal. Lorsque l'IA a détecté un POM au-dessus du seuil établi, les femmes ont été rappelées pour d'autres tests, mais uniquement lorsque cette prédiction a été jugée confiante. Sinon, l'examen a été lu à double lecture par les radiologues.
Bien que la majorité des décisions de l'IA aient été incertaines et différées à un lecteur humain, 38% ont été classés comme certains et pouvaient être lus uniquement par l'IA. L'utilisation de la stratégie des chercheurs a réduit la charge de travail de la lecture des radiologues à 61,9% sans changer de rappel (23,6 ‰ vs 23,9 ‰) ou de détection de cancer (6,6 ‰ vs 6,7 ‰), tous deux comparables à ceux de la double lecture standard.
Lorsque le modèle AI était certain, la zone sous la courbe (AUC) était plus élevée (0,96 vs 0,87). Sa sensibilité correspondait presque à celle de la lecture du double radiologue (85,4% contre 88,9%). Les femmes plus jeunes avec des seins denses étaient plus susceptibles d'avoir un score d'IA incertain.
« Le composant clé de notre étude n'est pas nécessairement que c'est le meilleur moyen de diviser la charge de travail, mais qu'il est utile d'avoir une quantification de l'incertitude intégrée dans les modèles d'IA », a déclaré Verboom. « J'espère que les produits commerciaux intègrent cela dans leurs modèles, car je pense que c'est une métrique très utile. »
Verboom a noté que si les résultats de l'étude se produisaient dans la pratique clinique, la décision de rappeler 19% des femmes serait prise par l'IA sans l'intervention d'un radiologue.
« Plusieurs études ont montré que les femmes participant à des programmes de dépistage du cancer du sein ont des attitudes positives quant à l'utilisation de l'IA », a-t-elle déclaré. « Cependant, la plupart des femmes préfèrent que leur mammographie soit lue par au moins un radiologue. »
Elle a dit qu'il peut être plus acceptable pour les radiologues d'examiner les examens jugés incertains par l'IA, ainsi que les cas de rappel de l'IA.
« L'utilisation de l'IA avec quantification de l'incertitude peut être une solution possible pour les pénuries de main-d'œuvre et pourrait aider à renforcer la confiance dans la mise en œuvre de l'IA », a déclaré Verboom.
Verboom a déclaré que des recherches supplémentaires, idéalement un essai prospectif, sont nécessaires pour déterminer comment la réduction de la charge de travail obtenue par la stratégie de lecture hybride pourrait réduire le temps de lecture du radiologue.
« Je pense qu'à l'avenir, nous pourrions arriver à un point où une partie des femmes est renvoyée chez elle sans jamais avoir un radiologue à regarder leur mammographie parce que l'IA déterminera que leur examen est normal », a-t-elle déclaré. « Nous n'y sommes pas encore, mais je pense que nous pourrions y arriver avec ce contrôle métrique et la qualité de l'incertitude. »
Cette étude fait partie du projet AIRAREAD, qui est financé par le Dutch Research Council, la Dutch Cancer Society et Health Holland.
