Dans une récente étude publiée dans la revue Radiologiedes chercheurs taïwanais ont développé un outil de détection assistée par ordinateur (DAO) basé sur l’apprentissage en profondeur (DL) pour détecter le cancer du pancréas sur des tomodensitogrammes (TDM) abdominaux à contraste amélioré.
Étude : Détection du cancer du pancréas sur les tomodensitogrammes avec apprentissage en profondeur : une étude nationale basée sur la population. Crédit d’image : Suttha Burawonk/Shutterstock
Sommaire
Arrière plan
Les patients atteints d’un cancer du pancréas ont le taux de survie à cinq ans le plus bas; les projections montrent qu’il deviendra la deuxième cause de décès par cancer aux États-Unis d’ici 2030. De plus, le pronostic du cancer du pancréas s’aggrave rapidement une fois que la tumeur dépasse 2 cm, ce qui nécessite une détection précoce.
Actuellement, le diagnostic du cancer du pancréas par scanner passe à côté de près de 40 % des tumeurs de moins de 2 cm et est également entravé par les disparités d’expertise des radiologues. En effet, il existe un besoin médical urgent non satisfait d’outils qui pourraient permettre aux radiologues d’analyser manuellement la segmentation du pancréas afin d’améliorer la sensibilité de la détection du cancer du pancréas. De plus, chez les patients atteints d’un cancer du pancréas, la segmentation ou l’identification du pancréas est difficile car il varie en taille et en forme et borde plusieurs autres organes et structures.
Dans l’un de leurs travaux précédents, les chercheurs ont démontré qu’un réseau de neurones convolutionnels (CNN) basé sur DL pouvait distinguer avec précision le cancer du pancréas du pancréas non cancéreux.
À propos de l’étude
Dans la présente étude, les chercheurs ont testé et validé un outil similaire de détection assistée par ordinateur (CAD) qui hébergeait CNN pour segmenter le pancréas sur des images CT. De plus, cet outil disposait d’un classificateur d’ensemble avec cinq CNN de classification indépendants pour prédire la présence d’un cancer du pancréas. Ils ont obtenu tous les scanners analysés au temps porte, 70 à 80 secondes après l’administration intraveineuse du produit de contraste.
Des ensembles de données de formation et de validation et des ensembles de données de test locaux et nationaux ont été utilisés dans l’étude. L’équipe a réparti au hasard les patients atteints d’un cancer du pancréas dans un rapport de 8: 2 entre l’ensemble de formation et de validation et l’ensemble de test local, respectivement. Ils ont collecté de manière prospective des études CT de 546 patients atteints d’un cancer du pancréas diagnostiqué entre janvier 2006 et juillet 2018 à partir de pratiques cliniques à Taïwan, qui ont formé leur ensemble de données local. Ces patients étaient âgés de 18 ans ou plus et avaient un adénocarcinome pancréatique confirmé avec des résultats enregistrés dans le registre national du cancer. Le groupe de contrôle pour l’ensemble de données locales comprenait des études CT de 1 465 personnes avec un pancréas normal recueillies entre janvier 2004 et décembre 2019.
Les chercheurs ont fouillé le registre du certificat de maladie majeure de l’assurance maladie nationale (NHI) pour récupérer les études CT de 669 patients atteints d’un cancer du pancréas nouvellement diagnostiqué entre janvier 2018 et juillet 2019. De même, ils ont extrait les études CT de 72 donneurs de rein et de foie au cours de la même temps de la base de données NHI, qui a formé le groupe de contrôle. Ils ont en outre combiné ces deux avec des études CT de 732 sujets témoins des archives d’imagerie du centre de référence tertiaire de la base de données NHI pour créer l’ensemble de données de test national de l’étude actuelle.
Enfin, l’équipe a formé les cinq CNN de classification sur d’autres sous-ensembles des ensembles de formation et de validation extraits du centre de référence tertiaire de la base de données des NIH, qui avait des études CT de 437 patients atteints de cancer du pancréas et 586 témoins. Ce n’est que lorsque le nombre de CNN à prédiction positive était égal ou supérieur au plus petit nombre donnant un rapport de vraisemblance (LR) positif supérieur à un dans la validation, que les chercheurs ont considéré que la TDM montrait un cancer du pancréas.
Les chercheurs ont évalué les performances de la segmentation CNN avec le score Dice par patient. De même, ils ont évalué les performances des CNN de classification en fonction de leur sensibilité, spécificité et précision respectives. L’équipe a calculé la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC) et LR. Enfin, ils ont utilisé le test de McNemar pour comparer les sensibilités de l’outil CAO et l’interprétation du radiologue.
Résultats de l’étude
Dans l’ensemble de tests internes, la sensibilité et la spécificité de l’outil CAD pour distinguer les tumeurs malignes CT et les études de contrôle étaient de 89,7 % et 92,8 %, respectivement, avec une sensibilité de près de 75 % pour les cancers du pancréas de moins de 2 cm. Dans l’ensemble, il a démontré une robustesse et une généralisabilité élevées. Curieusement, la sensibilité de l’outil CAO était comparable à celle des radiologues d’un établissement d’enseignement supérieur avec un grand nombre de patients atteints d’un cancer du pancréas (90,2 % contre 96,1 %), ce qui indique que cet outil pourrait avoir une sensibilité plus élevée que les radiologues moins expérimentés. Cela pourrait aider à réduire le taux d’échec attribué aux disparités dans l’expertise des radiologues.
De plus, l’outil semblait réalisable pour un déploiement clinique car il fournit de nombreuses informations pour aider les cliniciens. Il a déterminé si les images montraient un cancer du pancréas. De plus, il indiquait l’emplacement possible de la tumeur pour aider les radiologues à interpréter rapidement les résultats. Notamment, dans ~ 90 % des cancers du pancréas identifiés avec précision par l’outil de CAO, les CNN de segmentation identifient correctement l’emplacement de la tumeur. De plus, l’outil CAD a fourni le LR positif, une mesure de la confiance de la classification du cancer du pancréas par rapport à la classification du cancer non pancréatique pour mieux informer le processus diagnostique-thérapeutique ultérieur qu’une simple classification binaire.
Les signes secondaires dans la partie non tumorale du pancréas, y compris la dilatation du canal pancréatique, l’atrophie parenchymateuse pancréatique en amont et la coupure brutale du canal pancréatique, sont des indices de cancers pancréatiques occultes. Un bon outil de diagnostic devrait pouvoir tirer parti de ces signes dans le processus de détection. Dans la présente étude, les CNN de classification ont correctement classé deux cas de cancer du pancréas en analysant la partie non tumorale du pancréas uniquement en apprenant spontanément les signes secondaires du cancer du pancréas à partir d’exemples.
conclusion
Le nouvel outil de CAO utilisé dans la présente étude a montré le potentiel de compléter les radiologues pour une détection précoce et précise des cancers du pancréas sur les tomodensitogrammes. Cependant, la découverte que les CNN de classification pourraient avoir appris les signes secondaires du cancer du pancréas nécessite une enquête plus approfondie. De même, de futures études devraient tester les performances de cet outil de CAO dans des populations autres que les Asiatiques (et les Taïwanais) pour recueillir des données à l’appui de sa généralisabilité.
