Des chercheurs de l’Université de Finlande orientale ont développé un nouvel algorithme basé sur l’intelligence artificielle, MV-DEFEAT, pour améliorer l’évaluation de la densité mammaire. Ce développement est prometteur pour transformer les pratiques radiologiques en permettant des diagnostics plus précis.
Une densité mammaire élevée est associée à un risque accru de cancer du sein, et la densité mammaire peut être estimée à partir de mammographies. L'évaluation précise des mammographies est essentielle pour un dépistage efficace du cancer du sein, mais des défis tels que la variabilité des évaluations radiologiques et une pénurie mondiale de radiologues compliquent ces efforts. L'algorithme MV-DEFEAT vise à résoudre ces problèmes en incorporant des techniques d'apprentissage profond qui évaluent plusieurs vues de mammographie en même temps pour l'évaluation de la densité mammographique, reflétant le processus de prise de décision des radiologues.
L'équipe de recherche impliquée dans l'IA dans la recherche sur le cancer se compose de la chercheuse en doctorat Gudhe Raju, du professeur Arto Mannermaa et du chercheur principal Hamid Behravan. Dans la présente étude, ils ont utilisé une approche innovante de fusion de preuves approfondies multi-vues. Leur méthode exploite des éléments de la théorie des preuves de Dempster-Shafer et de la logique subjective pour évaluer les images mammographiques à partir de plusieurs vues, offrant ainsi une analyse plus complète.
MV-DEFEAT a montré des améliorations remarquables par rapport aux approches existantes. Il démontre une amélioration significative de la précision du dépistage par mammographie en quantifiant automatiquement et de manière fiable la densité et la distribution du tissu mammaire dense dans les mammographies. Par exemple, dans l'ensemble de données publiques VinDr-Mammo qui comprend plus de 10 000 mammographies, l'algorithme a obtenu une amélioration impressionnante de 50,78 % dans la distinction entre les tumeurs bénignes et malignes par rapport à l'approche multi-vues existante.
Il est intéressant de noter que l’algorithme a conservé son efficacité dans différents ensembles de données, ce qui reflète sa capacité à s’adapter à diverses caractéristiques démographiques des patients. L’étude a utilisé de nombreuses données provenant de quatre ensembles de données open source, améliorant ainsi l’applicabilité et la précision de l’algorithme dans différentes populations. De telles capacités soulignent l’importance des approches basées sur l’IA dans les diagnostics médicaux. En outre, bien que MV-DEFEAT contribue de manière significative au dépistage du cancer du sein, l’équipe de l’Université de Finlande orientale souligne la nécessité de continuer à affiner et à valider l’algorithme pour garantir sa fiabilité et son efficacité dans les contextes cliniques.
Ces résultats prometteurs ouvrent la voie à l’utilisation de l’IA pour améliorer les processus de diagnostic, conduisant potentiellement à une détection plus précoce et à de meilleurs résultats pour les patients en matière de soins contre le cancer du sein.
Pour intégrer pleinement l'IA comme MV-DEFEAT dans la pratique clinique, il est essentiel d'instaurer la confiance entre les professionnels de santé grâce à des tests et une validation rigoureux. En effet, nos prochaines étapes impliquent d'autres études de validation pour établir MV-DEFEAT comme un outil fiable pour le diagnostic du cancer du sein en Finlande.
Raju Gudhe, chercheur doctorant à l'Université de Finlande orientale
