Chaque année, des millions de femmes subissent une mammographie pour dépister le cancer du sein, mais de minuscules taches de calcium – connues sous le nom de microcalcifications – éludent souvent une détection ou sont mal lues, conduisant à des diagnostics retardés ou à des biopsies inutiles. Les outils conventionnels assistés par ordinateur reposent sur des règles fabriquées à la main et luttent avec la variété des appareils d'imagerie et des modèles de lésion.
Dans une étude récente dirigée par le Dr Ke-Da Yu du Fudan University Shanghai Cancer Center, une nouvelle approche d'apprentissage en profondeur qui trouve automatiquement et classe les microcalcifications sur différentes machines et populations de patients a été développée – en train de stimuler la précision et la cohérence du dépistage des cancer du sein.
« Les microcalcifications peuvent ne pas avoir quelques pixels de large. Par conséquent, les repérer au milieu du tissu normal, c'est comme trouver une aiguille dans une botte de foin« Explique le Dr Yu. »Nous voulions un système qui s'adapte à n'importe quelle mammographie et ne néglige jamais les signes d'alerte précoce. «
L'innovation de l'équipe repose sur deux avancées clés:
- Détection adaptative et multi-échelles: En intégrant un modèle de réseau neuronal convolutionnel (R-CNN) plus rapide basé sur la région avec un réseau de pyramides (FPN), les fonctionnalités du pipeline fusionnent à plusieurs résolutions – en lui permettant de localiser à la fois des grappes grossières et des spécifications individuelles sans aucun seuil réglé manuellement.
- Formation robuste et multicentrique: formé sur 4 810 mammographies confirmées par la biopsie (6 663 lésions réparties uniformément entre bénignes et malignes) à partir de trois hôpitaux, le système standardise automatiquement chaque image, il fonctionne donc de manière transparente entre différents scanners et contextes cliniques.
Dans les tests aveugles, le pipeline a traité chaque mammographie, atteignant une précision globale d'environ 75% au niveau de la microcalcification-lésion avec une sensibilité à 76% pour les lésions malignes et une précision d'environ 72% au niveau du sein.
« Cette solution peut être déployée directement sur des postes de travail de radiologie standard, « Ajoute le Dr Yu. « En pré-marquant les régions suspectes sur chaque mammographie, il permet aux radiologues de se concentrer rapidement sur les domaines de préoccupation, ce qui réduit considérablement les diagnostics manqués et les biopsies inutiles – il y a donc l'assouplissement de l'inconfort des patients et la réduction des coûts des soins de santé.«
L'équipe de recherche a ouvert le code, et leurs prochaines étapes se concentreront sur l'intégration du système dans les workflows cliniques, dans le but d'offrir un outil fiable à AI pour un dépistage de cancer du sein plus répandu.
