Un modèle d'apprentissage profond fonctionne au niveau d'un radiologue abdominal dans la détection d'un cancer de la prostate cliniquement significatif sur IRM, selon une étude publiée aujourd'hui dans Radiologieune revue de la Radiological Society of North America (RSNA). Les chercheurs espèrent que le modèle pourra être utilisé comme complément par les radiologues pour améliorer la détection du cancer de la prostate.
Le cancer de la prostate est le deuxième cancer le plus fréquent chez les hommes dans le monde. Les radiologues utilisent généralement une technique combinant différentes séquences d'IRM (appelée IRM multiparamétrique) pour diagnostiquer un cancer de la prostate cliniquement significatif. Les résultats sont exprimés via le Prostate Imaging-Reporting and Data System version 2.1 (PI-RADS), une approche d'interprétation et de rapport standardisée. Cependant, la classification des lésions à l'aide du PI-RADS présente des limites.
L'interprétation de l'IRM de la prostate est difficile. Les radiologues plus expérimentés ont tendance à avoir des performances diagnostiques plus élevées. »
Dr Naoki Takahashi, auteur principal de l'étude, département de radiologie, clinique Mayo à Rochester, Minnesota
L’application d’algorithmes d’intelligence artificielle (IA) à l’IRM de la prostate s’est révélée prometteuse pour améliorer la détection du cancer et réduire la variabilité des observateurs, c’est-à-dire l’incohérence dans la façon dont les gens mesurent ou interprètent les choses, ce qui peut conduire à des erreurs. Cependant, l’un des principaux inconvénients des approches d’IA existantes est que la lésion doit être annotée (en ajoutant une note ou une explication) par un radiologue ou un pathologiste au moment du développement initial du modèle, puis lors de la réévaluation et de la reconversion du modèle après la mise en œuvre clinique.
« Les radiologues annotent les lésions suspectes au moment de l'interprétation, mais ces annotations ne sont pas systématiquement disponibles. Par conséquent, lorsque les chercheurs développent un modèle d'apprentissage profond, ils doivent redessiner les contours », a déclaré le Dr Takahashi. « De plus, les chercheurs doivent corréler les résultats de l'imagerie avec le rapport de pathologie lors de la préparation de l'ensemble de données. Si plusieurs lésions sont présentes, il n'est pas toujours possible de corréler les lésions de l'IRM avec les résultats de pathologie correspondants. De plus, ce processus prend du temps. »
Le Dr Takahashi et ses collègues ont développé un nouveau type de modèle d’apprentissage profond pour prédire la présence d’un cancer de la prostate cliniquement significatif sans avoir besoin d’informations sur la localisation de la lésion. Ils ont comparé ses performances à celles de radiologues abdominaux dans un grand groupe de patients sans cancer de la prostate cliniquement significatif connu qui ont subi une IRM sur plusieurs sites d’un même établissement universitaire. Les chercheurs ont formé un réseau neuronal convolutionnel (CNN) – un type sophistiqué d’IA capable de discerner des motifs subtils dans des images au-delà des capacités de l’œil humain – pour prédire un cancer de la prostate cliniquement significatif à partir d’une IRM multiparamétrique.
Parmi 5 735 examens effectués sur 5 215 patients, 1 514 ont révélé un cancer de la prostate cliniquement significatif. Sur l'ensemble de tests internes de 400 examens et sur un ensemble de tests externes de 204 examens, les performances du modèle d'apprentissage profond dans la détection d'un cancer de la prostate cliniquement significatif n'étaient pas différentes de celles des radiologues abdominaux expérimentés. Une combinaison du modèle d'apprentissage profond et des résultats du radiologue a donné de meilleurs résultats que les radiologues seuls sur les ensembles de tests internes et externes.
Étant donné que les résultats du modèle d’apprentissage profond n’incluent pas la localisation des tumeurs, les chercheurs ont utilisé ce que l’on appelle une carte d’activation de classe pondérée par gradient (Grad-CAM) pour localiser les tumeurs. L’étude a montré que pour les examens véritablement positifs, Grad-CAM a systématiquement mis en évidence les lésions cancéreuses de la prostate cliniquement significatives.
Le Dr Takahashi considère le modèle comme un assistant potentiel du radiologue qui peut aider à améliorer les performances diagnostiques de l’IRM grâce à des taux de détection du cancer accrus avec moins de faux positifs.
« Je ne pense pas que nous puissions utiliser ce modèle comme un outil de diagnostic autonome », a déclaré le Dr Takahashi. « Au lieu de cela, les prévisions du modèle peuvent être utilisées comme un complément dans notre processus de prise de décision. »
Les chercheurs ont continué à élargir l'ensemble de données, qui comprend désormais deux fois plus de cas que dans l'étude originale. La prochaine étape est une étude prospective qui examine la façon dont les radiologues interagissent avec les prédictions du modèle.
« Nous aimerions présenter les résultats du modèle aux radiologues et évaluer la manière dont ils l'utilisent pour l'interprétation et comparer les performances combinées du radiologue et du modèle à celles du radiologue seul pour prédire le cancer de la prostate cliniquement significatif », a déclaré le Dr Takahashi.
« Modèle d'apprentissage profond entièrement automatisé pour détecter le cancer de la prostate cliniquement significatif à l'IRM. » Ont collaboré avec le Dr Takahashi : Jason C. Cai, MD, Hirotsugu Nakai, MD, Ph.D., Shiba Kuanar, Ph.D., Adam T. Froemming, MD, Candice W. Bolan, MD, Akira Kawashima, MD, Ph.D., Hiroaki Takahashi, MD, Ph.D., Lance A. Mynderse, MD, Chandler D. Dora, MD, Mitchell R. Humphreys, MD, Panagiotis Korfiatis, Ph.D., Pouria Rouzrokh, MD, MPH, MHPE, Alexander K. Bratt, MD, Gian Marco Conte, MD, Ph.D., et Bradley J. Erickson, MD, Ph.D.
