L'intelligence artificielle (IA) montre une énorme promesse d'analyser de vastes ensembles de données d'imagerie médicale et d'identifier les modèles qui peuvent être manqués par les observateurs humains. L'interprétation assistée par l'IA des scintigraphies cérébrales peut aider à améliorer les soins pour les enfants atteints de tumeurs cérébrales appelées gliomes, qui sont généralement traitables mais varient en risque de récidive. Les enquêteurs du général de masse Brigham et des collaborateurs du Boston Children's Hospital et du Dana-Farber / Boston pour enfants du cancer et des troubles sanguins ont formé des algorithmes d'apprentissage en profondeur pour analyser les scanneaux cérébraux séquentiels et post-traitement et signalent les patients à risque de récidive du cancer. Leurs résultats sont publiés dans The New England Journal of Medicine AI.
De nombreux gliomes pédiatriques sont curables avec une chirurgie seule, mais lorsque les rechutes se produisent, elles peuvent être dévastatrices. Il est très difficile de prédire qui peut être à risque de récidive, de sorte que les patients subissent un suivi fréquent avec une imagerie par résonance magnétique (MR) pendant de nombreuses années, un processus qui peut être stressant et contraignant pour les enfants et les familles. Nous avons besoin de meilleurs outils pour identifier tôt quels patients courent le plus haut risque de récidive. »
Benjamin Kann, MD, auteur correspondant du programme Artificial Intelligence in Medicine (AIM) chez le général de masse Brigham et le Département de radiothérapie à Brigham and Women's Hospital
Des études de maladies relativement rares, comme les cancers pédiatriques, peuvent être contestées par des données limitées. Cette étude, qui a été financée en partie par les National Institutes of Health, a exploité des partenariats institutionnels à travers le pays pour collecter près de 4 000 analyses MR auprès de 715 patients pédiatriques. Pour maximiser ce que l'IA pourrait « apprendre » à partir des scanneurs cérébrales d'un patient – et prédire plus précisément la récidive – les chercheurs ont utilisé une technique appelée apprentissage temporel, qui forme le modèle à synthétiser les résultats de plusieurs scans cérébraux pris au cours de plusieurs mois après la chirurgie.
En règle générale, les modèles d'IA pour l'imagerie médicale sont formés pour tirer des conclusions de scans uniques; Avec l'apprentissage temporel, qui n'a pas été utilisé auparavant pour l'imagerie médicale, les images acquises au fil du temps éclairent la prédiction par l'algorithme de la récidive du cancer. Pour développer le modèle d'apprentissage temporel, les chercheurs ont d'abord formé le modèle pour séquencer les analyses de MR post-opératoire d'un patient dans l'ordre chronologique afin que le modèle puisse apprendre à reconnaître des changements subtils. De là, les chercheurs ont affiné le modèle pour associer correctement les changements à la récidive du cancer ultérieure, le cas échéant.
En fin de compte, les chercheurs ont constaté que le modèle d'apprentissage temporel prédisait la récidive d'un gliome de bas ou de haut grade par un an après le traitement, avec une précision de 75 à 89% – sensiblement meilleure que la précision associée aux prédictions basées sur des images uniques, qu'ils ont jugées à peu près 50% (pas mieux que le hasard). Fournir à l'IA des images de plus de points de temps après le traitement a augmenté la précision de la prédiction du modèle, mais seulement quatre à six images ont été nécessaires avant que cette amélioration ne se compose.
Les chercheurs avertissent que la validation supplémentaire dans les paramètres supplémentaires est nécessaire avant l'application clinique. En fin de compte, ils espèrent lancer des essais cliniques pour voir si des prévisions de risque axées sur l'IA peuvent entraîner des améliorations aux soins – que ce soit en réduisant la fréquence d'imagerie pour les patients à faible risque ou en traitant de manière préventive les patients à haut risque avec des thérapies adjuvantes ciblées.
« Nous avons montré que l'IA est capable d'analyser efficacement et de faire des prédictions à partir d'images multiples, pas seulement des analyses uniques », a déclaré le premier auteur Divyanshu Tak, MS, du programme AIM du général de masse Brigham et du Département de radiation de l'oncologie du Brigham. « Cette technique peut être appliquée dans de nombreux contextes où les patients obtiennent une imagerie longitudinale en série, et nous sommes ravis de voir ce que ce projet inspirera. »
