Une nouvelle étude majeure en Radiologie montre que l’intelligence artificielle (IA) est un outil prometteur pour la détection du cancer du sein dans les programmes de mammographie de dépistage.
Les mammographies acquises dans le cadre de programmes de dépistage du cancer du sein basés sur la population entraînent une charge de travail importante pour les radiologues. L’IA a été proposée comme deuxième lecteur automatisé pour les mammographies qui pourrait aider à réduire cette charge de travail. La technologie a montré des résultats encourageants pour la détection du cancer, mais les preuves liées à son utilisation dans des contextes de dépistage réels sont limitées.
Dans la nouvelle étude-; le plus grand du genre à ce jour, des chercheurs norvégiens dirigés par Solveig Hofvind, Ph.D., de la section de dépistage du cancer du sein, registre du cancer de Norvège à Oslo, ont comparé les performances d’un système d’IA disponible dans le commerce avec une double lecture indépendante de routine comme réalisées dans le cadre d’un programme de dépistage basé sur la population. L’étude s’est appuyée sur près de 123 000 examens effectués sur plus de 47 000 femmes dans quatre établissements de BreastScreen Norway, le programme national de dépistage basé sur la population.
L’ensemble de données comprenait 752 cancers détectés lors du dépistage et 205 cancers d’intervalle, ou cancers détectés entre les cycles de dépistage. Le système d’IA a prédit le risque de cancer sur une échelle de 1 à 10, 1 représentant le risque le plus faible et 10 le risque le plus élevé. Au total, 87,6 % (653 sur 752) des cancers détectés par dépistage et 44,9 % (92 sur 205) des cancers d’intervalle avaient le score AI le plus élevé de 10.
Les chercheurs ont créé trois seuils pour évaluer les performances du système d’IA en tant qu’outil de prise de décision. En utilisant un seuil qui reflète le taux moyen d’interprétation positive des radiologues individuels, la proportion de cancers détectés par dépistage non sélectionnés par le système d’IA était inférieure à 20 %. Bien que le système d’IA ait bien fonctionné, la dépendance de l’étude à des données rétrospectives signifie que davantage de recherches sont nécessaires.
Dans notre étude, nous avons supposé que tous les cas de cancer sélectionnés par le système d’IA étaient détectés. Cela pourrait ne pas être vrai dans un cadre de dépistage réel. Cependant, compte tenu de cette hypothèse, l’IA sera probablement d’une grande valeur dans l’interprétation des mammographies de dépistage à l’avenir. »
Dr Solveig Hofvind, Ph.D., Section du dépistage du cancer du sein, Registre du cancer de Norvège à Oslo
Les résultats ont montré des caractéristiques histopathologiques favorables associées à un meilleur pronostic pour les cancers détectés par dépistage avec des scores AI faibles par rapport à élevés. Des résultats opposés ont été observés pour les cancers d’intervalle. Cela peut indiquer que les cancers d’intervalle avec de faibles scores d’IA sont de véritables cancers d’intervalle non visibles sur les mammographies de dépistage.
Le pourcentage élevé d’examens vrais négatifs classés avec un faible score d’IA a le potentiel de réduire considérablement le volume d’interprétation, tout en ne laissant passer qu’une petite proportion de cancers non détectés. En utilisant l’IA comme l’un des deux lecteurs dans un contexte de double lecture, le radiologue pourrait toujours identifier ces cancers, ont déclaré les chercheurs.
« Sur la base de nos résultats, nous nous attendons à ce que l’IA soit d’une grande valeur dans l’interprétation des mammographies de dépistage à l’avenir », a déclaré le Dr Hofvind. « Nous nous attendons à ce que le plus grand potentiel soit de réduire le volume de lecture en sélectionnant des examens négatifs. »
Bien que des études supplémentaires soient nécessaires avant la mise en œuvre clinique de l’IA dans le dépistage du cancer du sein, les résultats de l’étude aident à établir une base pour de futures recherches, y compris des études prospectives, a déclaré le Dr Hofvind.
« Nous sommes impatients de tester différents scénarios d’IA en utilisant des données rétrospectives, puis de mener un essai prospectif », a-t-elle déclaré.