Les femmes connaissent l'exercice :le cancer du sein est trop souvent un diagnostic de cancer pour être ignoré, car une détection précoce pourrait faire la différence. Alors que les faux positifs peuvent causer une énorme quantité de stress inutile, les faux négatifs ont un impact sur la rapidité avec laquelle un cancer est détecté et traité par la suite.

Une détection plus précoce pourrait donner à la personne plus d'options pour une intervention et des thérapies réussies avec son état encore à ses débuts.

Une équipe d'IBM Research s'est tournée vers l'intelligence artificielle pour voir si elle pouvait proposer une solution permettant d'atteindre un niveau impressionnant de détection précise du cancer du sein, et leurs résultats sont encourageants.

Dans un article du blog IBM Research, Michal Chorev d'IBM Research a décrit les objectifs de l'équipe, efforts et résultats.

Il a déclaré qu'"en tant que premier algorithme du genre à apprendre et à prendre des décisions à partir des données d'imagerie et des antécédents médicaux complets d'un patient, notre modèle a pu prédire correctement le développement du cancer du sein dans 87 pour cent des cas qu'il a analysés, et a également été capable d'interpréter correctement 77% des cas non cancéreux."

L'ajout de données cliniques aux mammographies a considérablement augmenté l'AUROC et la sensibilité du modèle.

« En se basant uniquement sur les données cliniques, notre modèle a obtenu un AUROC de 0,78, l'amélioration de la prédiction du risque de cancer du sein par rapport aux modèles de risque courants comme le modèle de Gail. De plus, nous avons pu identifier des facteurs cliniques pouvant éventuellement contribuer à un risque élevé et qui n'étaient pas auparavant utilisés par d'autres modèles, tels que les profils de globules blancs et les tests de la fonction thyroïdienne."

Tout d'abord, l'équipe d'IBM Research-Haifa a émis l'hypothèse qu'un modèle combinant l'apprentissage automatique et l'apprentissage en profondeur pourrait être appliqué pour évaluer le cancer du sein à un niveau à la fois comparable à celui des radiologues et avec les capacités d'être accepté dans la pratique clinique en tant que deuxième lecteur.

Comme ça s'est apparu, il semble que prédire le cancer du sein avec l'IA avec une précision proche de celle d'un radiologue n'était pas un simple vol de l'imagination.

Les travaux de ces chercheurs d'IBM apparaissent dans Radiologie et il traite du modèle d'IA qui peut prédire le développement d'un cancer du sein malin chez les patientes au cours de l'année avec des taux de précision favorables. "Une prédiction plus précise pourrait potentiellement réduire le nombre de femmes envoyées pour des tests inutiles - ou subissant le traumatisme d'être inutilement classées à haut risque - par les modèles traditionnels."

Ce ne serait pas la première fois que la recherche se tournerait vers l'IA à de telles fins. Les chercheurs avaient déjà construit des modèles de prédiction basés sur l'intelligence artificielle, a déclaré Adnan Farooqui dans Ubergizmo .

Fingas a fait la distinction quant à ce qui est nouveau dans cette œuvre. Alors qu'il existait déjà des méthodes de prédiction de l'IA, soit ils se sont appuyés sur les images de mammographie, soit ils se sont concentrés sur les dossiers médicaux. « IBM se démarque en utilisant les deux. »

Chorev a écrit sur son blog qu'il s'agissait « du premier algorithme de ce type à apprendre et à prendre des décisions à partir des données d'imagerie et des antécédents médicaux complets d'un patient ».

Quelle est l'exhaustivité ? La réponse réside dans la façon dont IBM a formé son IA, avec des images de mammographie anonymisées liées à des biomarqueurs (tels que l'historique de reproduction) et des données cliniques, dit Fingas. Selon le blog IBM Research, ils ont entraîné l'algorithme sur 9, 611 mammographies et dossiers médicaux de femmes, avec deux objectifs :(1) prédire la malignité par biopsie et (2) différencier les examens de dépistage normaux des anormaux.

"Grâce aux partenaires de recherche d'IBM Maccabi Health Services et Assuta Medical Center, deux grands prestataires de santé en Israël, notre équipe a pu obtenir un grand nombre de dépersonnalisés, des images de mammographie collectées volontairement qui étaient également liées à un enregistrement riche et détaillé des données cliniques de l'individu correspondant, telles qu'un historique de tout diagnostic de cancer, antécédents de grossesse et état de la ménopause."

Quoi de plus, il y avait des traits que l'on ne découvrirait pas en imagerie seule, par exemple., carences en fer et fonction thyroïdienne. Globalement, a écrit Chorev, il s'agit d'une "quantité étonnante de données" fournissant "un bassin profond d'informations à partir duquel nos modèles d'apprentissage automatique pourraient apprendre".

La quantité de données a permis aux algorithmes "de connecter des modèles et des tendances qui n'auraient peut-être pas été possibles autrement". Les données impliquaient des biopsies, tests de laboratoire, registres du cancer et codes d'autres diagnostics et procédures.

L'équipe considère ce modèle d'IA non pas comme un remplacement pour les radiologues, mais comme une deuxième paire d'yeux. En plus des évaluations humaines, "la précision est suffisamment bonne pour qu'elle puisse servir de 'deuxième paire d'yeux, ' selon IBM."

Il pourrait vérifier le pronostic d'un radiologue et réduire les chances que des patients soient envoyés pour des tests de suivi inutiles.

L'analyse des mammographies est une tâche difficile. Les différences entre les lésions et l'arrière-plan peuvent être subtiles :il existe plusieurs types de signes possibles en termes de forme, Taille, Couleur, texture et d'autres facteurs.

Entreprise de radiologie :Bien que le modèle de l'équipe n'ait pas nécessairement surpassé les radiologues, ses performances sont tombées dans "la gamme acceptable de radiologues pour le dépistage du cancer du sein".

Pour aller plus loin, leur article « Predicting Breast Cancer by Applying Deep Learning to Linked Health Records and Mammograms » apparaît dans Radiologie .

© 2019 Réseau Science X