Par rapport aux facteurs de risque cliniques couramment utilisés, un type sophistiqué d’intelligence artificielle (IA) appelé apprentissage en profondeur fait un meilleur travail de distinction entre les mammographies des femmes qui développeront plus tard un cancer du sein et celles qui ne le feront pas, selon une nouvelle étude dans le journal Radiologie. Les chercheurs ont déclaré que les résultats soulignent le potentiel de l’IA en tant que deuxième lecteur pour les radiologues, qui peut réduire l’imagerie inutile et les coûts associés.
La mammographie annuelle est recommandée pour les femmes à partir de 40 ans pour le dépistage du cancer du sein. La recherche a montré que la mammographie de dépistage réduit la mortalité par cancer du sein en réduisant l’incidence du cancer avancé.
Les mammographies aident non seulement à détecter le cancer, mais fournissent également une mesure du risque de cancer du sein grâce à des mesures de la densité mammaire. Bien que des seins plus denses à la mammographie soient associés à un risque plus élevé de cancer, il existe d’autres facteurs, encore inconnus, cachés dans la mammographie qui contribuent probablement au risque.
« Les méthodes conventionnelles d’évaluation du risque de cancer du sein à l’aide de facteurs de risque cliniques n’ont pas été aussi efficaces », a déclaré l’auteur principal de l’étude, John A. Shepherd, Ph.D., professeur et chercheur au Programme des sciences de la population dans le Pacifique (épidémiologie) au Centre de cancérologie de l’Université d’Hawaï à Honolulu. « Nous pensions qu’il y avait plus dans l’image que la simple densité mammaire qui serait utile pour évaluer le risque. »
Pour la nouvelle étude, le Dr Shepherd et ses collègues ont utilisé un ensemble de données de plus de 25 000 mammographies de dépistage numériques de 6 369 femmes qui ont participé à une mammographie de dépistage. Plus de 1 600 des femmes ont développé un cancer du sein détecté par dépistage et 351 ont développé un cancer du sein invasif d’intervalle.
Les chercheurs ont formé le modèle d’apprentissage en profondeur pour trouver des détails, ou des signaux, dans la mammographie qui pourraient être liés à un risque accru de cancer. Lorsqu’ils ont testé le modèle basé sur l’apprentissage en profondeur, il a sous-performé dans l’évaluation des facteurs de risque de risque de cancer d’intervalle, mais il a surpassé les facteurs de risque cliniques, y compris la densité mammaire, pour déterminer le risque de cancer détecté par dépistage.
« Les résultats ont montré que le signal supplémentaire que nous obtenons avec l’IA fournit une meilleure estimation du risque de cancer détecté par dépistage », a déclaré le Dr Shepherd. « Cela nous a aidés à atteindre notre objectif de classer les femmes en risque faible ou élevé de cancer du sein détecté par dépistage. »
Les résultats ont des implications importantes pour les pratiques cliniques dans lesquelles la densité mammaire à elle seule guide de nombreuses décisions de gestion. Au lieu d’être conseillées de revenir l’année prochaine pour un autre dépistage, les femmes avec une mammographie négative pourraient être triées par risque dans l’une des trois voies suivantes : faible risque de cancer du sein, risque élevé de détection de dépistage ou cancer invasif à intervalle élevé au cours des trois prochaines années. , la durée moyenne de suivi de l’étude.
« Cela nous permettrait d’utiliser le risque individuel d’une femme pour déterminer à quelle fréquence elle doit être surveillée », a déclaré le Dr Shepherd. « Les femmes à faible risque n’ont peut-être pas besoin d’être surveillées par mammographie aussi souvent que celles à haut risque de cancer du sein. »
Le modèle d’apprentissage en profondeur est également prometteur pour soutenir les décisions concernant l’imagerie supplémentaire avec l’IRM et d’autres modalités. Le Dr Shepherd a déclaré que les femmes du groupe d’apprentissage en profondeur à haut risque qui ont également des seins denses et sont plus à risque de cancers d’intervalle peuvent bénéficier le plus d’une stratégie de surveillance qui comprend une imagerie supplémentaire qui conserve la sensibilité dans les seins denses comme l’IRM, l’échographie et l’imagerie moléculaire. Les cancers d’intervalle ont généralement une biologie tumorale plus agressive et sont généralement découverts à un stade avancé.
Avec d’autres recherches récentes, la nouvelle étude soutient le rôle de l’IA en combinaison avec des facteurs de risque cliniques dans l’évaluation du risque de cancer du sein.
« En classant les mammographies en fonction de la probabilité de voir un cancer sur l’image, l’IA va être un puissant outil de deuxième lecture pour aider à catégoriser les mammographies », a déclaré le Dr Shepherd.
Les chercheurs prévoient de reproduire l’étude chez les femmes autochtones hawaïennes et insulaires du Pacifique, deux groupes sous-représentés dans la recherche sur le cancer du sein. Ils souhaitent également étendre les travaux au-delà du risque de cancer pour examiner le risque de différents grades de cancer du sein, du moins agressif au plus agressif.
