Un récent Radiologie Une étude de journal évalue la puissance d'un modèle d'apprentissage profond (DL) entièrement automatisé pour produire des résultats déterministes pour identifier le cancer de la prostate cliniquement significatif (csPCa).
Étude: Modèle d’apprentissage profond entièrement automatisé pour détecter le cancer de la prostate cliniquement significatif à l’IRM. Crédit d'image : Antonio Marca/Shutterstock.com
Sommaire
Utilisation de l'apprentissage automatique pour diagnostiquer le cancer de la prostate
Le cancer de la prostate est le deuxième cancer le plus fréquent chez les hommes dans le monde. Pour diagnostiquer le cancer de la prostate, l'imagerie par résonance magnétique (IRM) multiparamétrique est couramment utilisée.
Une approche standardisée de compte rendu et d'interprétation implique l'utilisation du système de compte rendu et de données d'imagerie de la prostate (PI-RADS), qui nécessite un niveau élevé d'expertise. Néanmoins, l'utilisation du PI-RADS pour classer les lésions est susceptible de variations intra- et inter-observateurs.
L'apprentissage automatique classique ou DL peut être utilisé pour détecter le cancer de la prostate cs en entraînant un modèle sur des régions d'intérêt spécifiques informées par des examens IRM. Une approche alternative consiste à obtenir des prédictions pour chaque voxel en entraînant un modèle de segmentation.
Ces approches d'apprentissage automatique nécessitent l'annotation des lésions par un radiologue ou un pathologiste au stade du développement du modèle, ainsi qu'aux stades de recyclage et de réévaluation après la mise en œuvre clinique. Par conséquent, la mise en œuvre de ces approches est associée à des coûts élevés qui limitent également la taille de l'ensemble de données.
À propos de l'étude
Les chercheurs de l'étude actuelle souhaitaient développer un modèle DL pour prédire la présence de csPCa sans information préalable sur la localisation de la tumeur. Ils ont utilisé des étiquettes au niveau du patient clarifiant la présence ou l'absence de csPCa et ont comparé les prédictions du modèle avec celles des radiologues.
Les données ont été recueillies auprès de patients sans cancer de la prostate csPCa connu qui ont subi une IRM entre janvier 2017 et décembre 2019. Des images pondérées en T1 avec contraste amélioré, des images pondérées en T2, des cartes de coefficient de diffusion apparent et des images pondérées en diffusion ont été utilisées pour former un réseau neuronal convolutionnel afin de prédire le cancer de la prostate csPCa.
Le diagnostic pathologique a constitué la référence. Quatre modèles ont été évalués : image seule, radiologues, image + radiologue et image + clinique + radiologue.
Les évaluations PI-RADS de quatre radiologues ont informé l'ensemble de tests externes (ProstateX) et ont été utilisées pour l'ensemble de tests internes. Le test DeLong et les courbes caractéristiques de fonctionnement du récepteur (AUC) ont été utilisés pour évaluer les performances des radiologues. La localisation de la tumeur a été montrée à l'aide de cartes d'activation de classe pondérées par gradient (Grad-CAM).
Résultats de l'étude
Le modèle image + clinique + radiologue était associé au pouvoir prédictif le plus élevé avec une AUC de 0,94, suivi du modèle image + clinique avec une AUC de 0,91. Le modèle image seule et les radiologues avaient une AUC de 0,89.
Pour le sous-ensemble de cas prouvés pathologiquement au sein de l'ensemble interne, le modèle image + clinique avait l'AUC la plus élevée à 0,88. Le modèle radiologue avait une AUC de 0,78, tandis que la référence clinique était associée à une AUC de 0,77. Ainsi, le modèle image + clinique + radiologue avait le pouvoir prédictif le plus élevé parmi l'ensemble de l'échantillon de test interne. En revanche, le modèle image + clinique avait le pouvoir prédictif le plus élevé dans le sous-ensemble de cas prouvés pathologiquement.
Pour le modèle image + clinique + radiologue, le taux de vrais positifs (TPR) était le plus élevé et le taux de faux positifs (FPR) était le plus faible. Pour les cas prouvés pathologiquement, le TPR du radiologue était le plus élevé et le FPR du modèle image + clinique était le plus faible. Pour l'ensemble de données externes, le modèle image + radiologue a montré l'AUC et le TPR les plus élevés et le FPR le plus bas.
Concernant l'utilisation de Grad-CAM pour la localisation tumorale, les patients présentant des lésions PI-RADS 1 ou 2 qui n'ont pas subi de biopsie constituaient une fraction significative des cas négatifs. Plusieurs cas ont été étiquetés comme faux négatifs.
Conclusions
L'étude actuelle a réussi à prédire la présence de csPCa par IRM en utilisant un modèle DL. Aucune différence statistiquement significative n'a été observée entre les performances du modèle et celles des radiologues expérimentés pour les séries de tests internes et externes. Ces résultats indiquent que le modèle DL développé dans l'étude actuelle a le potentiel d'aider les radiologues à identifier le csPCa et à effectuer une biopsie des lésions, ce qui pourrait améliorer considérablement le diagnostic du cancer de la prostate.
L'étude actuelle présente une limitation essentielle en raison de son caractère rétrospectif et de son site unique. De plus, dans un effort pour améliorer sa précision prédictive, le modèle DL n'a inclus que les radiologues spécialisés en IRM de la prostate et a exclu les stagiaires et les radiologues généralistes.
