L'avenir du dépistage du cancer du sein et des stratégies de réduction des risques est façonné par l'intelligence artificielle (IA), selon un article de synthèse publié par Cell Press le 12 décembre dans la revue Tendances du cancer.
« Nous discutons des progrès récents dans la prévision du risque de cancer du sein assistée par l'IA, de ce que cela signifie pour l'avenir du dépistage et de la prévention du cancer du sein, ainsi que des recherches clés nécessaires pour faire progresser les caractéristiques mammographiques de la recherche à la pratique clinique », a déclaré l'auteur principal de l'étude, Erik Thompson de l'Université de technologie du Queensland à Brisbane, en Australie.
Le tissu mammaire qui apparaît blanc sur une mammographie est radiologiquement dense, tandis que le tissu mammaire qui apparaît sombre est considéré comme non dense. Il est largement admis que les femmes ayant une densité mammographique plus élevée pour leur âge et leur indice de masse corporelle courent un plus grand risque de cancer du sein. De plus, une densité plus élevée rend le cancer du sein plus difficile à détecter par mammographie, ce que l'on appelle « l'effet masquant ».
Des mouvements de défense du monde entier exigent que les femmes soient informées de leur densité mammographique, avec des changements de politique aux États-Unis, au Canada et en Australie. La densité mammographique guide l'utilisation de technologies d'imagerie supplémentaires dans certains endroits, l'échographie et l'imagerie par résonance magnétique (IRM) fournissant des taux de détection de cancer accrus dans les études cliniques portant sur des femmes aux seins extrêmement denses. Pourtant, les scientifiques et les cliniciens continuent de se débattre avec la complexité découlant de l’effet masquant, du risque de cancer du sein associé à la densité mammographique et de la manière de mettre en œuvre de manière optimale les changements dans la pratique clinique.
Pour prédire un futur diagnostic de cancer du sein, des approches informatiques avancées telles que l’apprentissage profond sont désormais utilisées pour analyser les images mammographiques. En particulier, les méthodes d’IA découvrent des caractéristiques mammographiques qui pourraient être de meilleurs prédicteurs du risque de cancer du sein que tout autre facteur de risque connu. Ces caractéristiques pourraient expliquer une grande partie de l’association entre la densité mammographique et le risque de cancer du sein. La découverte des caractéristiques mammographiques générées par l’IA, qui prédisent le risque, offre de nouvelles opportunités pour identifier les femmes les plus à risque de développer un cancer du sein à l’avenir et les séparer des femmes les plus à risque de ne pas avoir un cancer du sein en raison de l’effet masquant.
« Une femme présentant des caractéristiques mammographiques associées à un risque élevé de détection d'un cancer du sein pourrait bénéficier d'un dépistage plus fréquent ou d'un traitement médicamenteux réduisant le risque », explique Thompson.
D’un autre côté, un intervalle plus long entre les dépistages pourrait être accordé à une femme ayant un faible risque de diagnostic de cancer du sein au cours des cinq prochaines années. De plus, une femme présentant une densité mammographique élevée sans caractéristiques mammographiques à haut risque pourrait bénéficier d’une imagerie supplémentaire telle que l’IRM ou l’échographie. »
Erik Thompson, Université de technologie du Queensland
La recherche suggère que certaines caractéristiques mammographiques générées par l’IA indiquent une malignité précoce indétectable par mammographie réalisée par un radiologue, tandis que d’autres peuvent être des affections bénignes associées à un risque accru de cancer du sein. L’identité des caractéristiques mammographiques générées par l’IA qui ne sont pas identifiées comme un cancer ou une maladie bénigne reste floue.
« Nous devons absolument identifier la pathobiologie associée aux caractéristiques mammographiques et les mécanismes sous-jacents qui les lient à l'oncogenèse du cancer du sein », explique Thompson. « Cela sera essentiel pour établir leur pertinence par rapport au risque de cancer du sein à court et à long terme, ainsi que pour les efforts futurs visant à réduire ce risque. »
