- Une nouvelle intelligence artificielle (IA) utilise une double approche pour analyser simultanément différentes vues des tomodensitogrammes, ressemblant à la façon dont les médecins travaillent, mais sans qu'il soit nécessaire de basculer entre les perspectives.
- Les chercheurs ont entraîné le modèle sur des analyses réalisées auprès d'individus en bonne santé et de patients atteints d'un cancer du poumon afin de faire la distinction entre les tissus normaux, les modifications bénignes et les tumeurs malignes.
- Cette approche pourrait contribuer à améliorer la détection précoce du cancer du poumon, en particulier dans les cas où les tumeurs sont petites et plus difficiles à identifier.
- Bien qu'une validation plus approfondie soit nécessaire avant une utilisation clinique, les chercheurs suggèrent que cela pourrait améliorer la précision et l'efficacité du diagnostic.
Le cancer du poumon est le
Un diagnostic précoce du cancer du poumon est crucial car il améliore considérablement les taux de survie. Les estimations suggèrent que la survie à 5 ans peut augmenter d'environ 10 % aux stades avancés à plus de 90 % aux stades précoces.
La première étape du diagnostic du cancer du poumon consiste souvent à utiliser des outils d’imagerie, tels que la tomodensitométrie. Cependant, le diagnostic du cancer du poumon à un stade précoce à partir de la tomodensitométrie peut s'avérer difficile en raison de la petite taille des tumeurs, de leur similitude avec les structures environnantes et des erreurs humaines d'interprétation.
Maintenant, une étude publiée dans
Une nouvelle approche de la lecture des tomodensitogrammes
Des chercheurs de l’Université de technologie de Kaunas (KTU) ont conçu un modèle d’IA qui analyse les tomodensitogrammes en évaluant simultanément les détails les plus fins et le contexte anatomique plus large. Cette approche vise à refléter la manière dont les cliniciens interpréteraient ces images médicales.
Traditionnellement, un radiologue devait basculer entre les vues lors de l'examen des images CT. Mais ce processus peut prendre du temps et augmenter le risque de manquer des détails subtils sur l’analyse.
Ainsi, le système d’IA vise à surmonter cette limitation en intégrant les deux perspectives dans un seul processus analytique.
L’équipe de recherche suggère que le modèle d’IA est capable d’évaluer les caractéristiques locales, telles que les petits nodules, tout en considérant également leur position et leur importance dans l’ensemble du poumon.
Dans un communiqué de presse, l’auteur de l’étude, Inzamam Mashood Nasir, PhD, a expliqué que « vous pouvez considérer cela comme une loupe et une vue complète de l’analyse en même temps ».
Pour construire le système, l’équipe a formé le modèle d’IA à l’aide de tomodensitogrammes provenant d’individus en bonne santé et de patients atteints d’un cancer du poumon. Cela a permis au modèle d’IA de faire la différence entre les tissus normaux, les modifications bénignes et les tumeurs malignes.
Le système a atteint une précision de plus de 96 %, surpassant les approches existantes et maintenant des performances stables lors des différents tests.
Cette approche d’apprentissage à double échelle pourrait être particulièrement utile pour identifier le cancer du poumon à un stade précoce, lorsque les tumeurs sont généralement petites et plus difficiles à détecter.
Avantages et défis potentiels
Le cancer du poumon reste l’une des principales causes de décès par cancer dans le monde, en grande partie parce qu’il est souvent diagnostiqué à un stade avancé. Une détection précoce est fortement associée à de meilleurs résultats, ce qui fait de l’amélioration des outils de dépistage un objectif majeur de la recherche en cours.
« L'impact potentiel est une meilleure cohérence et éventuellement une identification plus précoce des découvertes suspectes, ce qui pourrait justifier une intervention plus précoce », a déclaré Nasir. Actualités médicales aujourd'hui.
« Cependant, l'effet sur les taux de détection et les résultats pour les patients nécessiterait encore une validation clinique prospective », a-t-il ajouté.
Les systèmes basés sur l'IA sont de plus en plus explorés pour maintenir la précision et réduire la variabilité de l'interprétation des analyses.
Les chercheurs de KTU suggèrent que leur modèle d'IA pourrait aider les cliniciens en améliorant la précision du diagnostic, en réduisant le risque de lésions manquées et en accélérant l'analyse des images. Cela pourrait également contribuer à réduire le nombre de fausses alarmes, qui peuvent entraîner un stress et des procédures inutiles.
« En termes d'utilisation clinique, cela serait mieux décrit comme un outil d'aide à la décision ou de deuxième lecture pour les radiologues, aidant à signaler les tomodensitogrammes suspects et à établir des priorités, plutôt que de remplacer le jugement clinique », a déclaré l'auteur de l'étude Eunchan Kim, PhD, à MNT.
Cependant, les chercheurs notent que le modèle a été formé sur un ensemble de données relativement limité. Ils ajoutent que des tests supplémentaires dans des contextes réels sont encore nécessaires, en particulier dans des groupes de patients plus importants et plus diversifiés.
Regarder vers l'avenir
Bien qu’encore en phase de recherche et nécessitant une validation clinique et des tests réels, le nouveau modèle met en évidence le rôle croissant de l’IA dans l’imagerie médicale.
En reproduisant fidèlement la façon dont les médecins interprètent les analyses, ces systèmes pourraient éventuellement devenir des outils précieux pour la détection précoce du cancer du poumon, améliorant potentiellement les taux de survie grâce à une intervention plus précoce.
« Les principaux défis avant une utilisation dans le monde réel sont la généralisabilité, la validation externe, l'intégration du flux de travail et une adoption clinique plus large », a déclaré l'auteur de l'étude Samia Nawaz Yousafzai, BSSE. MNT.
« Notre étude a utilisé un ensemble de données relativement restreint et n'incluait pas de validation externe sur une cohorte indépendante », a-t-elle ajouté.
L’équipe suggère également que des approches similaires en matière d’IA pourraient être appliquées à d’autres tâches d’imagerie médicale qui nécessitent également une compréhension à la fois détaillée et contextuelle, comme les tumeurs cérébrales, le cancer du sein et les maladies oculaires.
« Les prochaines étapes naturelles consisteraient à tester des ensembles de données multicentriques plus vastes et à collaborer avec les hôpitaux et les services de radiologie pour une validation prospective ou en temps réel », a conclu Nasir.
