Une étude récente publiée dans Cancers a mené une méta-analyse pour évaluer le potentiel de l’intelligence artificielle (IA) dans la détection précoce du cancer du poumon.
Étude: Modèles basés sur l’IA pour diagnostiquer et prédire les résultats du cancer du poumon : une revue systématique et une méta-analyse. Crédit d’image : métamorworks/Shutterstock.com
Sommaire
Arrière-plan
Le cancer du poumon est un problème de santé mondial caractérisé par des taux de mortalité élevés dus à un diagnostic tardif. Les techniques actuelles de détection précoce comprennent la tomodensitométrie (TDM) ; cependant, les lésions bénignes et les radiologues subissent des performances d’impact. Des stratégies innovantes sont nécessaires pour améliorer le pronostic et les taux de survie.
Les modèles d’IA pourraient améliorer ces approches en améliorant la précision et l’efficacité, en réduisant les cas de faux positifs et négatifs et en fournissant des techniques complémentaires à celles existantes.
Les systèmes de diagnostic assistés par l’IA dans le domaine des soins de santé, en particulier pour le cancer du poumon, peuvent améliorer la précision, la stabilité et l’efficacité du travail.
À propos de l’étude
Dans la présente méta-analyse, les chercheurs ont évalué l’efficacité des modèles d’IA dans l’identification précoce du cancer pulmonaire, soulignant leur potentiel d’amélioration de la précision du diagnostic et analysant leurs forces, leurs limites et leurs avantages comparatifs par rapport aux méthodes traditionnelles.
L’équipe a effectué des recherches dans les bases de données PubMed, Science Direct, Embase et Google Scholar pour récupérer les documents pertinents publiés en anglais jusqu’en octobre 2023.
Deux chercheurs ont examiné les dossiers de manière indépendante en utilisant des critères prédéterminés pour sélectionner des études de haute qualité et ont résolu les divergences par consensus ou en consultant un troisième chercheur.
L’équipe a inclus des articles de recherche originaux sur des études évaluant les performances de l’IA pour détecter le cancer du poumon à un stade précoce et rapportant les résultats sous forme de mesures de performance telles que la spécificité, la sensibilité et l’exactitude.
Ils ont exclu les études contenant des informations insuffisantes sur les performances des modèles d’IA, les commentaires, les résumés de conférences manquant d’informations primaires et les critiques.
L’équipe a extrait des données sur le contexte de l’étude, la conception, le modèle d’IA utilisé, la source de données, les mesures de performance, la méthode de validation et les résultats.
Ils ont suivi les lignes directrices PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) pour l’analyse et évalué la qualité des études à l’aide de l’outil d’évaluation de la qualité des études sur l’exactitude des diagnostics (QUADAS-2).
Les domaines de risque de biais évalués dans les études concernaient la sélection des patients, le test index, l’étalon de référence, le débit et le calendrier, signalés comme étant à risque faible, peu clair ou élevé.
Les chercheurs ont évalué l’hétérogénéité des études à l’aide de la statistique I2 et des tests du chi carré. Ils ont effectué une modélisation à effets aléatoires pour la méta-analyse et analysé des parcelles forestières de mesures de diagnostic regroupées pour les modèles d’IA.
Résultats
Initialement, l’équipe a identifié 1 024 enregistrements, évalué l’éligibilité de 116 et exclu 326 doublons et 28 études publiées dans des langues autres que l’anglais.
Seuls 39 enregistrements répondaient aux critères d’éligibilité, présentant diverses applications de modèles d’IA pour la détection du cancer du poumon et mettant en évidence les différents points forts des études.
L’étude révèle le potentiel de l’intelligence artificielle pour diagnostiquer le cancer du poumon au stade initial, avec une sensibilité groupée de 0,87 et une spécificité de 0,87, indiquant une grande précision dans l’identification des vrais positifs et négatifs.
Cependant, l’équipe a observé une hétérogénéité dans les études en raison de différences dans les populations étudiées, les sources de données et les spécifications du modèle. L’équipe a constaté de faibles risques de biais dans la sélection des patients, les tests d’index et les normes de référence, mais des risques de biais plus élevés dans le flux et le calendrier.
Les études ont montré que les modèles d’IA, en particulier les réseaux neuronaux récurrents (RNN) et les réseaux neuronaux convolutifs (CNN), peuvent améliorer la précision de la prédiction du cancer du poumon, en diminuant les faux positifs et en réduisant l’impact des données manquantes.
Les autres modèles d’IA utilisés comprenaient DL, DBN, l’apprentissage automatique (ML), les régressions logistiques (LL), les classificateurs forestiers aléatoires (RF), les systèmes bayésiens naïfs (NBS), les réseaux bayésiens (BN) et les arbres de décision.
Une étude chinoise a utilisé des modèles d’apprentissage profond tridimensionnels sur des tomodensitométries, atteignant une sensibilité, une spécificité et une précision diagnostique globale de 75 %, 82 % et 89 %, respectivement.
Une autre étude menée en Chine a utilisé l’opérateur de sélection et de liaison le moins absolu de la machine à vecteurs de support (SVM-LASSO) sur les données de l’initiative de ressources de base de données d’images du consortium de bases de données d’images pulmonaires (LIDC) (IDRI) et a atteint une précision de 85 %, soit 12 % de plus que Lung- Système de reporting et de données (RADS).
Une autre étude menée en Chine a utilisé un réseau de liaisons mixtes personnalisé tridimensionnel (CMixNet) pour les données obtenues à partir des ensembles de données LIDC-IDRI et d’analyse des nodules pulmonaires (LUNA-16), atteignant une sensibilité et une spécificité de 94 % et 91 %, respectivement, démontrant de meilleurs résultats que les techniques existantes utilisées pour détecter le cancer du poumon.
Les résultats ont mis en évidence les compromis entre spécificité et sensibilité ainsi que les atouts des techniques basées sur l’IA.
Alors que quelques études ont souligné le potentiel de l’IA pour surmonter des défis particuliers, d’autres ont souligné la fiabilité et l’efficacité de l’intelligence artificielle dans le dépistage du cancer pulmonaire, au bénéfice des professionnels de santé et des patients.
Conclusions
Les résultats de l’étude ont montré que les modèles d’IA détectent efficacement le cancer du poumon précoce, identifient les aspects positifs et négatifs et améliorent le pronostic.
Cependant, l’hétérogénéité des études souligne la nécessité de protocoles standardisés. Les recherches futures devraient se concentrer sur le perfectionnement des modèles d’IA, la prise en compte des défis et la collaboration avec les chercheurs, les cliniciens et les décideurs politiques pour établir des lignes directrices et des normes pour les systèmes d’IA dans le dépistage du cancer pulmonaire.
Relever ces défis fera progresser les technologies de l’IA, facilitant à terme le diagnostic précoce du cancer pulmonaire et sa prise en charge rapide.
