Un modèle d’intelligence artificielle (IA) d’apprentissage profond développé à l’aide uniquement de biomarqueurs d’images de mammographie a prédit avec précision à la fois le carcinome canalaire in situ (CCIS) et le carcinome invasif, selon une recherche présentée aujourd’hui lors de la réunion annuelle de la Radiological Society of North America (RSNA). ). De plus, le modèle n’a montré aucun biais entre plusieurs races.
Les modèles traditionnels d’évaluation des risques de cancer du sein utilisent les informations obtenues à partir des questionnaires des patientes, telles que leurs antécédents médicaux et reproductifs, pour calculer le risque futur d’une patiente de développer un cancer du sein.
Dans le domaine de la médecine de précision, le dépistage basé sur le risque s’est révélé difficile à réaliser car nous n’avons pas été en mesure d’évaluer avec précision le risque qu’une femme soit atteinte d’un cancer du sein. Même les meilleurs modèles de risque traditionnels existants ne fonctionnent pas bien au niveau individuel. »
Leslie R. Lamb, MD, M.Sc., auteur principal de l’étude, radiologue du sein au Massachusetts General Hospital (MGH) à Boston
Les modèles de risque traditionnels ont également démontré de mauvaises performances parmi différentes races de patients, probablement en raison des données utilisées pour développer le modèle.
« Les modèles traditionnels comportent probablement des préjugés raciaux en raison des populations sur lesquelles ils ont été développés », a déclaré le Dr Lamb. « Plusieurs des modèles couramment utilisés ont été développés sur des populations caucasiennes à prédominance européenne. »
Selon l’American Cancer Society, les femmes noires présentent le taux de survie relative à 5 ans le plus faible parmi tous les groupes raciaux et ethniques. Cela se traduit par une disparité persistante de 6 à 8 % dans les taux de survie à 5 ans entre les femmes noires et blanches pour tous les types de cancer du sein.
Pour déterminer avec précision le risque de cancer du sein, favoriser une détection précoce et améliorer les taux de survie des patientes, il est important de développer des modèles de risque applicables à différentes populations.
Un modèle d’évaluation des risques par IA d’apprentissage profond développé à l’aide d’images mammographiques seules peut surpasser les modèles d’évaluation des risques traditionnels dans le développement futur du cancer du sein tout en atténuant les préjugés raciaux observés dans les modèles traditionnels.
Dans la première étude de ce type, le Dr Lamb et ses collègues ont cherché à évaluer les performances d’un modèle d’évaluation des risques basé sur l’apprentissage profond pour prédire à la fois le futur cancer du sein invasif et le CCIS dans plusieurs races.
Les performances du modèle ont été évaluées en comparant les zones sous la courbe caractéristique de fonctionnement du récepteur (AUC) avec le test DeLong. Le score AUC mesure le taux prédictif du modèle sur une échelle de 0 à 1. Plusieurs études antérieures ont estimé les performances du modèle de risque traditionnel mesuré par l’AUC dans la plage de 0,59 à 0,62 pour les femmes blanches, avec des performances beaucoup plus faibles chez les femmes d’autres les courses.
L’étude multisite comprenait 129 340 mammographies de dépistage bilatérales de routine réalisées chez 71 479 femmes entre 2009 et 2018 avec des données de suivi sur cinq ans. Les données démographiques des patients ont été obtenues à partir des dossiers médicaux électroniques et les cas de cancer ont été identifiés à partir du registre régional des tumeurs.
La composition raciale du groupe d’étude comprenait les blancs (106 839 examens), les noirs (6 154 examens), les asiatiques (6 435 examens), les autres races autodéclarées (6 257 examens) et les inconnues (3 655 examens). L’âge moyen des femmes était de 59 ans.
Le modèle d’apprentissage profond a systématiquement surpassé les modèles de risque traditionnels en prédisant le risque d’une femme de développer un CCIS, un cancer du sein à un stade précoce, et un cancer du sein invasif, un cancer susceptible de se propager.
« Le modèle est capable de traduire toute la diversité des biomarqueurs d’imagerie subtils de la mammographie, au-delà de ce que l’œil nu peut voir, qui peuvent prédire le risque futur d’une femme de CCIS et de cancer du sein invasif », a déclaré le Dr Lamb. « Le modèle de risque d’apprentissage profond basé uniquement sur des images peut fournir un accès accru à une évaluation des risques plus précise, équitable et moins coûteuse. »
Le taux prédictif de CCIS et de cancer invasif était de 0,71, toutes races confondues. L’ASC permettant de prédire le CCIS était de 0,77 chez les patients non blancs et de 0,71 chez les patients blancs. L’ASC permettant de prédire un cancer invasif était de 0,72 chez les patients non blancs et de 0,71 chez les patients blancs.
« Il s’agit d’un domaine particulièrement passionnant pour l’IA, car il démontre l’opportunité d’appliquer « l’IA pour le bien » – pour réduire les disparités raciales bien connues dans l’évaluation des risques », a déclaré l’auteur principal Constance D. Lehman, MD, Ph.D. , radiologue du sein au MGH. « Nous sommes désormais prêts à traduire ces résultats en soins cliniques améliorés pour nos patients. »
Les co-auteurs supplémentaires sont Sarah F. Mercaldo, Ph.D., et Andrew R. Carney, MS