Un outil d'apprentissage en profondeur de l'intelligence artificielle (IA) qui estime le risque de malignité de nodules pulmonaires a atteint des taux de détection de cancer élevés tout en réduisant considérablement les résultats faussement positifs. Les résultats de l'étude, qui ont utilisé des données de grands essais de dépistage du cancer du poumon multi-sites, ont été publiés aujourd'hui dans Radiologieun journal de la Société radiologique d'Amérique du Nord (RSNA).
Le cancer du poumon reste un problème de santé mondial important, provoquant les décès les plus liés au cancer dans le monde. Il a été démontré que le dépistage des personnes à haut risque atteints de tomodensitométrie thoracique à faible dose réduit la mortalité par cancer du poumon. Cependant, les essais de dépistage précoce ont signalé des taux élevés de faux positifs, conduisant à des procédures de suivi inutiles, à une augmentation de l'anxiété des patients et aux coûts des soins de santé.
Les nodules pulmonaires à l'immeuble ou les excroissances ovales dans les poumons sont courantes, et l'identification qui sont malignes est difficile dans le dépistage du cancer du poumon.
Deep Learning propose des solutions prometteuses, mais une validation robuste est essentielle. L'IA explique les facteurs que nous pourrions même ne pas voir sur la tomodensitométrie pour évaluer davantage un nodule aussi susceptible d'être maligne. «
NOA Antonissen, MD, chercheur principal et Ph.D. candidat au Radboud University Medical Center, Nijmegen, Pays-Bas
Les protocoles de dépistage du cancer du poumon actuels reposent sur la taille, le type et la croissance des nodules pour estimer le risque de malignité. Le modèle de détection précoce pan canadienne du cancer du poumon (Pancan), qui estime le risque de malignité nodule grâce à une combinaison de caractéristiques des patients et des nodules, illustre comment les outils basés sur la probabilité peuvent affiner l'évaluation des risques. Ces seuils de risque basés sur la probabilité sont de plus en plus utilisés pour guider les protocoles de gestion. Deep Learning offre une alternative prometteuse en permettant des prédictions entièrement axées sur les données, mais plus de preuves sont nécessaires avant de pouvoir être adoptée dans la pratique clinique.
Dans l'étude rétrospective, les chercheurs ont formé leur algorithme en interne développé d'apprentissage en profondeur pour estimer le risque de tumeur maligne des nodules pulmonaires en utilisant les données de l'essai national de dépistage pulmonaire qui comprenait 16 077 nodules (1 249 malins).
Des tests externes ont été effectués en utilisant des tomodensitogrammes de base de l'essai de dépistage du cancer du poumon du poumon, l'essai multicentrique de détection pulmonaire italienne et l'essai néerlandais de Nelson. La cohorte regroupée comprenait 4 146 participants (âgés médians de 58 ans, 78% d'hommes, antécédents de tabagisme médian 38 années de pack) avec 7 614 nodules bénins et 180 malignes.
Les chercheurs ont évalué les performances de l'algorithme pour la cohorte regroupée et deux sous-ensembles: des nodules indéterminés (5-15 mm) et des nodules malins qui ont été appariés aux nodules bénins.
« Nous avons sélectionné des nodules de 5 à 15 mm, en raison de leurs défis diagnostiques et de leurs besoins fréquents de suivi à court terme », a déclaré le Dr Antonissen. « La classification précise des risques de ces nodules pourrait réduire les procédures inutiles. »
À titre de comparaison, les performances de l'algorithme ont été évaluées par rapport au modèle Pancan aux niveaux de nodule et des participants en utilisant la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC), entre autres paramètres. L'AUC résume la façon dont un modèle peut produire des scores relatifs pour distinguer les instances positives ou négatives dans tous les seuils de classification.
Dans la cohorte regroupée, le modèle d'apprentissage en profondeur a atteint des AUC de 0,98, 0,96 et 0,94 pour les cancers diagnostiqués en un an, deux ans et tout au long du dépistage, respectivement, par rapport à Pancan à 0,98, 0,94 et 0,93.
Pour les nodules indéterminés (129 malins, 2 086 bénins), le modèle d'apprentissage en profondeur a significativement surpassé Pancan sur tous les délais avec des AUC de 0,95, 0,94, 0,90 contre 0,91, 0,88, 0,86. Pour la taille des cancers, appariée aux nodules bénins (180 malins, 360 bénins), l'ASC du modèle d'apprentissage en profondeur était de 0,79 contre Pancan à 0,60.
À 100% de sensibilité pour les cancers diagnostiqués dans un délai d'un an, le modèle d'apprentissage en profondeur a classé 68,1% des cas bénins comme faible risque que 47,4% en utilisant le modèle Pancan, représentant une réduction relative de 39,4% des faux positifs.
« Les algorithmes d'apprentissage en profondeur peuvent aider les radiologues à décider si l'imagerie de suivi est nécessaire, mais une validation prospective est nécessaire pour déterminer l'applicabilité clinique de ces outils et guider leur mise en œuvre dans la pratique », a déclaré le Dr Antonissen. « La réduction des résultats de faux positifs rendra le dépistage du cancer du poumon plus réalisable. »
