Dans une étude récente publiée dans The Lancet Regional Health-Asie du Sud-Estles chercheurs ont développé un modèle de système prédictif (AIPS) basé sur l’intelligence artificielle (IA) pour la détection précoce du cancer du poumon en combinant des données radiologiques, cliniques et génétiques.
Arrière-plan
Le pronostic du cancer du poumon s’est amélioré grâce à des cibles moléculaires et à des traitements ciblés, notamment le traitement des mutations somatiques du récepteur du facteur de croissance épidermique (EGFR). Cependant, le séquençage de nouvelle génération (NGS) n’est pas disponible dans les pays aux ressources limitées comme l’Inde. Un pipeline basé sur l’IA est nécessaire pour reconnaître les caractéristiques des nodules pulmonaires dans les tomodensitométries (TDM) et prédire la probabilité de mutation de l’EGFR, permettant ainsi des soins et une thérapie presque optimaux.
À propos de l’étude
Dans la présente étude, les chercheurs ont démontré le pipeline APIS pour identifier et prédire la présence de nodules pulmonaires mutants EGFR à partir de tomodensitométries dans des situations de ressources limitées telles que l’Inde.
À l’aide des données de séquençage EGFR et d’imagerie CT de 2 277 patients atteints d’un cancer du poumon, les chercheurs ont créé un algorithme automatisé d’identification et de caractérisation des nodules pulmonaires. Ils se sont concentrés sur les Indiens (cohortes 1, 2 et 3), contrairement aux recherches antérieures, qui portaient principalement sur les individus d’origine blanche et chinoise.
L’équipe a collecté des données sur la population indienne auprès du Rajiv Gandhi Cancer Institute and Research Center, en Inde, et sur la population blanche (cohorte 4) auprès du Cancer Imaging Archive (TCIA). Ils ont créé le modèle de système de prédiction IA-Nodule (AIPS-N) en obtenant les données d’imagerie par tomodensitométrie du Lung Image Database Consortium (LIDC-IDRI) (cohorte 5), qui comprenaient 1 010 patients (indiqués par 244 527 images).
Les chercheurs ont prétraité les tomodensitogrammes avec des techniques de fenêtrage pour améliorer la visibilité des poumons, puis ont interprété les annotations d’images et utilisé des segmentations pulmonaires automatiques pour détecter et séparer la région pulmonaire dans l’image. Ils ont formé le modèle de réseau neuronal convolutif (R-CNN) plus rapide basé sur une région avec les annotations d’images analysées et les images prétraitées correspondantes.
L’équipe a prétraité les images LIDC-IDRI pour évaluer l’anatomie et identifier les pathologies. Ils ont normalisé les valeurs d’intensité DICOM dans une plage spécifiée avant d’utiliser des techniques de fenêtrage pour obtenir une plage d’intensité cohérente sur les images de différentes cohortes. Ils ont transmis l’ensemble de données de formation, qui comprenait des masques, des annotations d’images et des tranches, dans le modèle de base pré-entraîné, qui a extrait les caractéristiques des images d’entrée et généré des cartes de caractéristiques de type convolutif multi-échelles de haut niveau.
Les chercheurs ont utilisé le réseau de propositions de région (RPN) sur des cartes de caractéristiques convolutives à plusieurs échelles pour anticiper les propositions de régions et les emplacements probables dans l’image pouvant inclure des éléments d’intérêt. Les deltas d’ancrage étaient des cadres de délimitation préfabriqués avec des rapports d’aspect et des tailles variés placés sur les cartes de caractéristiques convolutives pour aider à améliorer les cadres d’ancrage et à les aligner plus étroitement avec les objets image.
Le modèle AIPS-Nodule utilisait une boîte jaune pour souligner et entourer visuellement la région pulmonaire d’intérêt dans les tomodensitogrammes, permettant ainsi une enquête supplémentaire. Les modèles automatisés de segmentation pulmonaire et d’identification d’objets ont été construits séparément pour chaque caractéristique du nodule, donnant ainsi cinq modèles de caractéristiques AIPS-N. Les chercheurs ont utilisé des modèles de base tels que le ResNet101-Feature Pyramid Network (R101-FPN) et le CNN basé sur une région plus rapide pour extraire les caractéristiques de l’image et entraîner le modèle. Ils ont utilisé respectivement 70 %, 15 % et 15 % des données pour la formation, la validation et les tests du modèle.
Résultats
Le modèle d’apprentissage profond pourrait remplacer les modèles d’apprentissage automatique (ML) en ajoutant des résultats AIPS-N, ce qui améliorerait les performances du ML. Le modèle AIPS-Nodule pourrait détecter et caractériser automatiquement les nodules pulmonaires, avec un score AP50 moyen de 70 %. Le système AIPS-M a combiné les résultats AIPS-Nodule avec des paramètres cliniques pour prédire le génotype EGFR afin d’obtenir des valeurs d’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) comprises entre 0,6 et 0,9.
Les algorithmes ML formés par la cohorte 1 avaient une AUC moyenne de 0,85 dans le sous-groupe de validation. Les modèles ML Random Forest, Randomized Search Cross-Validation, XGBoost et AIPS-Mutation formés sur la population indienne et la cohorte blanche ont produit une AUC moyenne de 0,8 lorsqu’ils ont été testés sur la cohorte 4. Lors du test de la cohorte 4, l’AUC moyenne des modèles ML formés l’utilisation de la première cohorte est passée de 0,6 à 0,9, démontrant l’impact positif de l’intégration des notations AIPS-N sur les capacités prédictives.
La recherche a porté sur un fumeur indien âgé de 71 ans diagnostiqué avec un carcinome épidermoïde et porteur de la mutation du gène EGFR. Le modèle AIPS-Nodule a identifié avec précision les caractéristiques et l’emplacement du nodule détecté, attribuant la spiculation et la sphéricité à la classe 1. Les modèles AIPS-Mutation formés sur la cohorte 1 ont été utilisés pour déterminer le statut du gène EGFR du patient de sexe masculin, qui a été cliniquement déterminé comme étant muté. Les six algorithmes d’apprentissage automatique ont prédit le statut de l’EGFR comme muté, produisant un résultat « vraiment positif ».
L’étude a montré que l’imagerie CT associée à l’analyse automatisée des nodules pulmonaires AIPS pourrait prédire la présence du gène EGFR et identifier les individus présentant des mutations EGFR de manière rentable et non invasive.
Le modèle AIPS-Nodule pouvait détecter et décrire les nodules pulmonaires, tandis que le modèle AIPS-Mutation prédisait le génotype EGFR en intégrant les résultats de l’AIPS-N aux variables cliniques. Les résultats de l’étude pourraient aider les oncologues à donner la priorité aux patients pour des médicaments adaptés, à améliorer les soins aux patients et à renforcer les normes mondiales en matière de soins de santé.
L’approche innovante de l’AIPS pourrait bénéficier aux situations de ressources limitées et compléter les preuves antérieures en élargissant la portée de l’investigation des nodules pour inclure une caractérisation approfondie et une association avec la mutation EGFR.
