Les scientifiques du Dana-Farber Cancer Institute ont démontré qu'un outil d'intelligence artificielle peut fonctionner aussi bien que les examinateurs humains - et beaucoup plus rapidement - pour extraire des informations cliniques concernant les modifications des tumeurs à partir de rapports de radiologie non structurés pour les patients atteints d'un cancer du poumon.

L'outil d'IA a fonctionné de manière comparable à des « conservateurs » humains formés pour détecter la présence d'un cancer ; et s'il répondait aux interventions de traitement, stable ou s'aggrave.

Le but de l'étude, a déclaré l'auteur correspondant Kenneth Kehl, MARYLAND, MPH, un oncologue médical et membre du corps professoral du Département des sciences de la population à Dana-Faber, était de déterminer si les outils d'intelligence artificielle peuvent extraire les résultats de cancer les plus précieux des rapports de radiologie, qui sont une source de données omniprésente mais non structurée.

Kehl a noté que les dossiers de santé électroniques collectent désormais de vastes quantités d'informations sur des milliers de patients vus dans un centre comme Dana-Farber. Cependant, à moins que les patients ne soient inclus dans des essais cliniques, des informations sur leurs résultats, comme si leurs cancers se développent ou rétrécissent en réponse au traitement, n'est inscrite que dans le texte du dossier médical. Historiquement, ces informations non structurées ne se prêtent pas à une analyse informatique et ne pourraient donc pas être utilisées pour la recherche sur l'efficacité du traitement.

En raison d'études comme l'initiative Profile à Dana-Farber/Brigham and Women's Cancer Center, qui analyse les échantillons de tumeurs des patients et crée des profils qui révèlent des variantes génomiques pouvant prédire la réactivité aux traitements, Les chercheurs de Dana-Farber ont accumulé une mine d'informations moléculaires sur les cancers des patients. « Mais il peut être difficile d'appliquer ces informations pour comprendre quels modèles moléculaires prédisent les avantages des traitements sans un examen approfondi des dossiers médicaux des patients pour mesurer leurs résultats. Il s'agit d'un obstacle essentiel à la réalisation du plein potentiel de la médecine de précision, " dit Kehl.

Pour l'étude en cours, Kehl et ses collègues ont obtenu plus de 14, 000 rapports d'imagerie pour 1, 112 patients et les dossiers examinés manuellement en utilisant le cadre "PRISSMM". PRISSMM est une norme de données phénomique développée chez Dana-Farber qui prend des données non structurées à partir de rapports textuels dans des dossiers de santé électroniques et les structure afin qu'elles puissent être facilement analysées. PRISSMM structure les données relatives à la pathologie d'un patient, radiologie/imagerie, signes/symptômes, marqueurs moléculaires, et l'évaluation d'un oncologue médical pour dresser un portrait du parcours du patient atteint de cancer.

Les examinateurs humains ont analysé les rapports textuels d'imagerie et ont noté si le cancer était présent et, si c'est le cas, qu'il s'aggrave ou s'améliore, et si le cancer s'était propagé à des sites spécifiques du corps. Ces rapports ont ensuite été utilisés pour former un modèle informatique « d'apprentissage en profondeur » afin de reconnaître ces résultats à partir des rapports textuels. "Notre hypothèse était que les algorithmes d'apprentissage en profondeur pourraient utiliser des rapports textuels de radiologie générés de manière routinière pour identifier la présence d'un cancer et les changements de son étendue au fil du temps, " ont écrit les auteurs.

Les chercheurs ont comparé des mesures humaines et informatiques de résultats tels que la survie sans maladie, survie sans progression, et le temps d'amélioration ou de réponse, et a découvert que l'algorithme d'IA pouvait reproduire l'évaluation humaine de ces résultats. Les algorithmes d'apprentissage en profondeur ont ensuite été appliqués pour annoter 15 autres, 000 rapports pour 1, 294 patients dont les dossiers n'avaient pas été revus manuellement. Les auteurs ont constaté que les mesures des résultats informatiques chez ces patients prédisaient la survie avec une précision similaire aux évaluations humaines chez les patients examinés manuellement.

Les conservateurs humains ont pu annoter des rapports d'imagerie pour environ trois patients par heure, un rythme auquel un conservateur aurait besoin d'environ six mois pour annoter tous les près de 30, 000 rapports d'imagerie pour les patients de la cohorte. Par contre, le modèle d'intelligence artificielle développé par les chercheurs pouvait annoter les rapports d'imagerie de la cohorte en 10 minutes environ, les chercheurs ont déclaré dans un rapport en JAMA Oncologie .

« Créer un véritable système de santé d'apprentissage pour l'oncologie et faciliter la fourniture d'une médecine de précision à grande échelle, des méthodes sont nécessaires pour accélérer la curation des résultats liés au cancer à partir des dossiers de santé électroniques, " ont déclaré les auteurs de la publication. Si elle est largement appliquée, les enquêteurs ont dit, "cette technique pourrait considérablement accélérer les efforts visant à utiliser les données du monde réel de tous les patients atteints de cancer pour générer des preuves concernant l'efficacité des approches de traitement." Les prochaines étapes consisteront à tester cette approche sur les données de DSE d'autres centres de cancérologie et à utiliser les données pour découvrir quels traitements fonctionnent le mieux pour quels patients.