photos de seins

Le système d’intelligence artificielle réduit les faux positifs dans l’interprétation des examens d’échographie mammaire

Les résultats d’un essai clinique qui a utilisé l’intelligence artificielle (IA) dans le but de réduire les faux positifs lors d’une échographie mammaire ont été présentés par Linda Moy, M.D.Centre d’innovation et de recherche en imagerie avancée avec Centre de santé NYU Langone pour l’innovation et la recherche en imagerie avancée (CAI2R) lors du RSNA 2021. Moy, un chef de file en radiologie de l’IA, est également professeur de radiologie à la NYU Grossman School of Medicine et membre du Centre de cancérologie de Perlmutter.

Dirigée par des chercheurs du Département de radiologie de NYU Langone Health et du Laura and Isaac Perlmutter Cancer Center, l’analyse de l’IA de l’équipe est considérée comme la plus importante du genre.

En plus de Moy, qui a été co-investigateur de l’étude, l’étude a été menée par l’équipe suivante : Chercheur principal Krzysztof J. Geras, PhDco-chercheurs principaux Yiqiu “Artie” Shen, Farah Chamout et Jamie Olivier ; et co-chercheurs Jan Witowski, Kawshik Kannan, Jungkyu Park, Nan Wu, Connor Huddleston, Stacey Wolfson, Alexandra Millet, Robin Ehrenpreis, Divya Awal, Cathy Tyma, Naziya Samreen, Yiming Gao, Chloe Chhor, Stacey Gandhi, Cindy Lee, Sheila Kumari-Subaiya, Cindy Leonard, Reyhan Mohammed, Christopher Moczulski, Jaime Altabet, James Babb, Alana Lewin, Beatriu Reig et Laura Heacock.

L’étude, publiée dans la revue Communication Nature (24 septembre 2021), a été soutenu par le Fondation nationale des sciences des États-Unis (NSF), a proposé cet aperçu :

Des chercheurs travaillant sur une initiative soutenue par la National Science Foundation des États-Unis ont formé l’IA pour identifier le cancer du sein à l’aide de données obtenues à partir d’échographies précédemment effectuées. L’outil d’IA a considérablement augmenté les diagnostics précis.

“Si nos efforts pour utiliser l’apprentissage automatique comme outil de dépistage pour les études échographiques sont couronnés de succès, l’échographie pourrait devenir un outil plus efficace dans le dépistage du cancer du sein, en particulier comme alternative à la mammographie et pour celles dont le tissu mammaire est dense”, a déclaré Moy. “Son impact futur sur l’amélioration de la santé mammaire des femmes pourrait être profond”, a-t-il ajouté. Le résumé de l’étude est présenté ici.

Les images d’échographie mammaire montrent un cancer (à gauche comme une tache sombre au centre et à droite comme rouge comme mis en évidence par un ordinateur). Image reproduite avec l’aimable autorisation de Nature Communications

Résumé:

L’échographie est une modalité d’imagerie importante pour la détection et la caractérisation du cancer du sein. Bien qu’il ait été démontré de manière constante qu’elle détecte les cancers occultes mammographiques, l’échographie mammaire a des taux élevés de faux positifs.

Dans ce travail, nous présentons un système d’IA qui atteint une précision de niveau radiologue dans l’identification du cancer du sein dans les images échographiques.

Construite sur 288 767 examens, comprenant 5 442 907 images Doppler en mode B et couleur, l’IA atteint une aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC) de 0,976 dans une suite de tests comprenant 44 755 examens. Dans une étude rétrospective de lectrices, l’IA atteint un AUROC supérieur à la moyenne de dix radiologues du sein certifiés (AUROC : 0,962 AI, 0,924 ± 0,02 radiologues). Avec l’aide de l’IA, les radiologues réduisent leurs taux de faux positifs de 37,3 % et réduisent les biopsies nécessaires de 27,8 % tout en maintenant le même niveau de sensibilité. Cela met en évidence le potentiel de l’IA pour améliorer la précision, la cohérence et l’efficacité du diagnostic par échographie mammaire.

Matériels et Méthodes – Modèle

• Développement d’un système d’IA à l’aide d’un DCNN formé dans un Classificateur d’assurance multiple à conscience globale

• Modèle faiblement supervisé qui identifie automatiquement les lésions malignes et bénignes sans nécessiter de notes manuelles des radiologues

• La pathologie a été utilisée comme norme de référence

• Détails du prétraitement des données ib, de l’étiquetage, de l’annotation et de la vérité du terrain

• L’ensemble de données a été divisé en bases de données de niveau patient de formation (60 %), de validation (10 %) et de test (30 %).

Ensemble de données d’échographie mammaire NYU

• Le système d’IA a été formé à l’aide d’un ensemble de données internes de 288 767 examens échographiques avec 5 442 907 images au total acquises auprès de 143 203 patients entre 2012 et 2019

• 20 centres d’imagerie qui effectuent des examens de dépistage et de diagnostic par ultrasons

• 28 914 de ces tests étaient associés à au moins une procédure de biopsie

• 5 593 d’entre eux ont eu des biopsies ont produit des résultats malins.

Résultats

• Dans une suite de tests de 44 755 examens, le système d’IA a atteint une ASC de 0,976 pour identifier les examens présentant des tumeurs malignes

• Parmi les 663 examens de l’étude du lecteur, le système d’IA avait une ASC de 0,962, battant la moyenne de dix radiologues (0,924 +/- 0,02). p<0,001

• Dans la sensibilité moyenne des radiologues (90,1 %), le système d’IA a montré une plus grande spécificité (85,6 % contre 80,7 %, p<0,001)

• Le système d’IA recommandait moins de biopsies (19,8 % contre 24,3 %) p<0,001.

Étude des lecteurs – Modèle hybride

• Les modèles hybrides ont amélioré l’ASC du radiologue de 0,929 à 0,960

• Aux niveaux de sensibilité du radiologue, les modèles hybrides :

• Augmentation de la spécificité radiologique moyenne de 80,7 % à 88,4 % (p<0,001)

• Augmentation de la VPP du radiologue de 27,1 % à 39,2 % (p<0,001

• Les modèles hybrides ont réduit le taux moyen de biopsie de 24,3 % à 17,2 % (p<0,001)

• La réduction des biopsies avec les modèles hybrides représentait 29,4 % de toutes les biopsies recommandées.

Conclusion

• Le système d’intelligence artificielle détecte et diagnostique le cancer du sein par ultrasons avec une précision supérieure à celle des radiologues expérimentés certifiés par le conseil d’administration

• L’aide à la décision de l’IA a réduit les biopsies inutiles

• Les modèles de prise de décision hybrides peuvent potentiellement améliorer les performances des imageurs mammaires sans le coût supplémentaire d’un deuxième lecteur humain

• Le système peut être mis à profit pour appuyer la prise de décision en cas de pénurie de radiologistes.

La conclusion de l’étude a offert la perspective du chercheur sur les futures applications cliniques et l’impact de l’intelligence artificielle dans les efforts visant à améliorer la précision de l’imagerie du cancer du sein.
Dans ce document, les auteurs ont proposé ceci dans leurs conclusions:

“En conclusion, nous avons examiné le potentiel de l’IA dans l’évaluation des examens américains. Nous démontrons dans une étude de lecteur que les modèles d’apprentissage en profondeur entraînés avec une quantité suffisamment importante de données sont capables de produire des diagnostics aussi précis que des radiologues expérimentés. Nous avons également montré que la collaboration entre l’IA et les radiologues permet d’améliorer significativement sa spécificité et d’éviter 27,8% des biopsies demandées. Nous croyons que cette recherche peut compléter les approches futures du diagnostic du cancer du sein. De plus, l’approche générale employée dans notre travail, en particulier le cadre vaguement supervisé pour la classification et la localisation, peut permettre l’utilisation de l’apprentissage en profondeur dans des tâches d’analyse d’images médicales similaires.

Système d’intelligence artificielle pour le dépistage automatisé des examens d’échographie mammaire

Ce qui suit est un aperçu clinique d’une deuxième étude présentée par Linda Moy, MD, lors de la session RSNA 2021 : « Imagerie mammaire : échographie mammaire avancée ».

Les auteurs comprenaient Jamie Oliver, BA, Beatrice Reig, MD, MPH, Yiming Gao, MD, Alan Lewin, MD, Linda Moy, MD, Laura Heacock, MD.

Hypothèse: Un modèle DL formé pour dépister les examens échographiques mammaires comme sans cancer peut améliorer l’efficacité et la spécificité du radiologue sans compromettre la sensibilité.

Objectif: Former un système d’IA pour le dépistage des examens du sein dans le but de réaffecter le temps des radiologues aux examens avec une forte suspicion de malignité.

Matériels et méthodes – Jeu de données

Le système d’IA a été formé à l’aide d’un ensemble de données internes de 288 767 examens échographiques avec 5 442 907 images au total acquises auprès de 143 203 patients entre 2012 et 2019.

• 20 centres d’imagerie qui effectuent des examens de dépistage et de diagnostic par ultrasons

• 28 914 de ces tests étaient associés à au moins une procédure de biopsie

• 5 593 dont 5 593 dont des biopsies ont produit des résultats malins

Résultats

• Dans un test de 44 755 examens, le système d’IA a atteint une AUC de 0,96 identifiant les examens avec des lésions malignes

• Lorsque le système de dépistage a évalué 3 553 examens initialement notés B1-RADS 3, il a reclassé 60 %, 70 % et 80 % des examens avec les scores d’IA les plus bas comme bénins sans manquer aucune malignité.

• Le système d’IA peut éviter le besoin d’images de suivi

Discussion

• En utilisant un seuil de sensibilité élevé, notre modèle DL peut fonctionner comme un système autonome

• Dépistage de 60 à 80 % des examens d’échographie mammaire de la liste de travail du radiologue, avec un taux de faux négatifs de 0,008 à 0,03 %

• À l’aide d’un seuil de sensibilité élevé, notre modèle DL place 978 examens (2,2 %) dans un flux de travail d’évaluation amélioré, avec un VPP élevé de 69,6 %

pertinence clinique

• L’aide à la décision de l’IA a réduit les biopsies inutiles et les examens de suivi

• Le système peut être mis à profit pour appuyer la prise de décision en cas de pénurie de radiologistes.

!function(f,b,e,v,n,t,s)
{if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,arguments):n.queue.push(arguments)};
if(!f._fbq)f._fbq=n;n.push=n;n.loaded=!0;n.version=’2.0′;
n.queue=[];t=b.createElement(e);t.async=!0;
t.src=v;s=b.getElementsByTagName(e)[0];
s.parentNode.insertBefore(t,s)}(window,document,’script’,
‘https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘1184247321929582’);
fbq(‘track’, ‘PageView’);

Leave a Comment

Your email address will not be published.