Dans une vaste étude prospective publiée dans La Lancettedes chercheurs indiens ont développé et validé un modèle d’apprentissage profond (DL) pour automatiser la détection du cancer de la vésicule biliaire (GBC) via l’imagerie par échographie abdominale (États-Unis).
L’étude a révélé qu’avec une sensibilité élevée et des performances comparables à celles des radiologues, la méthode basée sur DL pouvait détecter les GBC même en présence de calculs, dans les vésicules biliaires contractées, avec une taille de lésion inférieure à 10 mm et des lésions du cou.
De plus, la sensibilité de la méthode pour le type d’épaississement mural des CGB dépassait celle d’un radiologue.
Étude: L’apprentissage profond a permis la détection par ultrasons du cancer de la vésicule biliaire dans le nord de l’Inde : une étude diagnostique prospective. Crédit d’image : mi_viri/Shutterstock.com
Sommaire
Arrière-plan
Le GBC est une tumeur maligne agressive des voies biliaires, généralement diagnostiquée à un stade tardif, conduisant à un mauvais pronostic. Cela présente un défi diagnostique car les lésions bénignes présentent des caractéristiques d’imagerie similaires.
Les approches basées sur l’intelligence artificielle (IA) ont récemment révolutionné le diagnostic radiologique de divers cancers, réduisant potentiellement l’effort humain et améliorant la sensibilité.
Cependant, bien qu’il s’agisse d’une modalité d’imagerie non invasive facilement disponible, l’échographie assistée par DL pour diagnostiquer la GBC n’a pas été explorée de manière approfondie.
La petite taille des échantillons a limité les études précédentes et n’a pas évalué les performances des modèles DL dans divers scénarios du monde réel. Par conséquent, cette étude visait à former, valider et tester un algorithme DL basé sur l’imagerie d’un grand ensemble de données et à comparer ses performances avec celles des radiologues pour évaluer le potentiel de la DL pour le diagnostic de GBC.
À propos de l’étude
Contrairement à l’analyse manuelle effectuée par des experts humains, DL entraîne un ordinateur à reconnaître automatiquement les caractéristiques et les modèles dans de grands ensembles de données d’échantillons d’images à l’aide de réseaux neuronaux convolutifs (CNN).
Dans cette étude, les chercheurs ont utilisé un algorithme DL formé sur un ensemble de données de 565 patients potentiels du nord de l’Inde présentant des lésions de la vésicule biliaire acquises sur une période d’environ deux ans. L’âge moyen (± ET) était de 50,8 ± 22,6 ans et 63,2 % des patients étaient des femmes.
Les critères d’exclusion de l’étude étaient la présence de polypes ≤ cinq mm, une cholécystite aiguë, des anomalies de la vésicule biliaire secondaires à des causes supplémentaires de cholécystite telles qu’une pancréatite ou une hépatite, et des maladies systématiques comme des infections virales chez les patients.
L’échographie de la vésicule biliaire a été réalisée sur le scanner américain Logiq S8 à 1–5 MHz après un minimum de six heures de jeûne en position couchée et en décubitus latéral. Les patients présentant des polypes de la vésicule biliaire ont été évalués à des fréquences plus élevées, jusqu’à huit MHz.
Des techniques avancées de DL ont été utilisées pour la détection des GBC, notamment un apprentissage basé sur l’acuité visuelle et un classificateur multi-échelles accessible au public basé sur une mise en commun de second ordre. Les performances du modèle ont été évaluées dans une cohorte de tests temporellement indépendantes et comparées aux examens indépendants de deux radiologues expérimentés.
Des critères spécifiques ont été utilisés pour diagnostiquer le GBC, les lésions bénignes ou l’épaississement de la paroi de la vésicule biliaire (GWT). Les analyses statistiques comprenaient la détermination de la moyenne, des intervalles de confiance de Clopper-Pearson à 95 %, de la sensibilité, de la spécificité, de la valeur prédictive positive (VPP), de la valeur prédictive négative (VPN), de l’exactitude et de l’aire sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) (AUC) et comparaison à l’aide du test de Mc Nemar.
Résultats et discussion
Le modèle DL a montré une sensibilité de 92,3 %, une spécificité de 74,4 %, une précision de 86,4 % et une ASC de 0,887 dans la cohorte de test.
Aucune différence significative n’a été observée dans les sensibilités, spécificités et AUC du modèle et celles déterminées par les deux radiologues, indiquant la non-infériorité du modèle dans la détection des GBC.
Selon l’étude, le modèle a bien fonctionné dans tous les sous-groupes cliniques, y compris les sous-types morphologiques distincts, les lésions de la vésicule biliaire avec calculs, les vésicules biliaires contractées, les lésions <10 mm et les sites distincts de la vésicule biliaire.
De plus, le modèle DL a montré une sensibilité significativement plus élevée mais une spécificité réduite que celle de l’un des radiologues lors de la détection de type GWT de GBC (p = 0,012).
Ces résultats suggèrent que le modèle DL constitue une option robuste et prometteuse pour améliorer la sensibilité, la précision et l’efficacité du diagnostic de GBC en utilisant l’imagerie américaine dans divers scénarios cliniques. Cela pourrait s’avérer particulièrement important dans les zones où l’accès à des radiologues spécialisés ou à des techniques d’imagerie avancées est limité.
Cependant, l’étude est limitée car seules des données monocentriques ont été utilisées, avec un sous-groupe relativement plus restreint de patients présentant des polypes. L’impact de la méthode sur le diagnostic précoce et le pronostic de la GBC reste également à étudier.
Conclusion
Cette étude prospective fournit des preuves complètes, sur la plus grande taille d’échantillon jamais réalisée, que les modèles assistés par DL peuvent détecter les GBC en présence de calculs, de vésicules biliaires contractées, de lésions de taille <10 mm et de lésions du cou, ce qui est difficile à diagnostiquer de manière conventionnelle.
Les résultats de l’étude démontrent l’utilité potentielle du DL pour améliorer la précision du diagnostic de GBC et ouvrir la voie à des recherches plus approfondies dans des contextes cliniques multicentriques. De plus, la détection automatique des GBC assistée par DL peut contribuer à un diagnostic précoce et à une intervention rapide, améliorant ainsi les résultats pour les patients.
