Bien que le cancer de l’ovaire soit le type de cancer le plus meurtrier pour les femmes, seuls 20 % des cas environ sont découverts à un stade précoce, car il n’existe pas de véritables tests de dépistage et peu de symptômes pour y faire face. En outre, les lésions ovariennes sont difficiles à diagnostiquer avec précision – si difficiles, en fait, qu’il n’y a aucun signe de cancer chez plus de 80 % des femmes qui subissent une intervention chirurgicale pour faire enlever les lésions et les tester.
Quing Zhu, titulaire de la chaire Edwin H. Murty d’ingénierie biomédicale à la McKelvey School of Engineering de l’université Washington de Saint-Louis, et les membres de son laboratoire ont appliqué diverses méthodes d’imagerie pour diagnostiquer plus précisément le cancer de l’ovaire. Ils ont maintenant mis au point un nouveau modèle de fusion par apprentissage automatique qui tire parti des caractéristiques échographiques existantes des lésions ovariennes pour entraîner le modèle à reconnaître si une lésion est bénigne ou cancéreuse à partir d’images reconstruites prises par tomographie photo-acoustique. L’apprentissage automatique s’est traditionnellement concentré sur des données à modalité unique. Des résultats récents ont montré que l’apprentissage automatique multi-modalité est plus robuste dans ses performances que les méthodes unimodales. Dans une étude pilote portant sur 35 patients avec plus de 600 régions d’intérêt, la précision du modèle était de 90 %.
Il s’agit de la première étude utilisant les ultrasons pour améliorer les performances de l’apprentissage automatique de la reconstruction de la tomographie photo-acoustique pour le diagnostic du cancer. Les résultats de cette recherche ont été publiés dans le numéro de décembre de la revue Photoacoustics.
“Les modalités existantes sont principalement basées sur la taille et la forme des lésions ovariennes, ce qui ne permet pas de poser un diagnostic précis pour un cancer de l’ovaire précoce et pour l’évaluation du risque de lésions annexielles/ovariennes de grande taille. L’imagerie photo-acoustique ajoute des informations plus fonctionnelles sur le contraste vasculaire à partir de la concentration d’hémoglobine et de la saturation en oxygène du sang.” A déclaré Quing Zhu, professeur de radiologie à la faculté de médecine de l’université de Washington à St. Louis.
Yun Zou, doctorant dans le laboratoire de Zhu, a mis au point un nouveau modèle de fusion d’apprentissage automatique en combinant un réseau neuronal d’échographie et un réseau neuronal de tomographie photo-acoustique pour effectuer le diagnostic des lésions ovariennes. Les lésions cancéreuses des ovaires peuvent présenter plusieurs morphologies différentes à l’échographie : certaines sont solides, d’autres présentent des projets papillaires à l’intérieur de lésions kystiques, ce qui les rend plus difficiles à diagnostiquer. Pour améliorer le diagnostic global de l’échographie, ils ont ajouté la concentration totale d’hémoglobine et la saturation en oxygène du sang provenant de l’imagerie photo-acoustique, qui sont toutes deux des biomarqueurs du tissu ovarien cancéreux.
“Nos résultats ont montré que le modèle de fusion de l’imagerie photo-acoustique renforcée par les ultrasons reconstruisait les cartes d’hémoglobine totale et de saturation en oxygène du sang de la cible avec plus de précision que les autres méthodes et permettait un meilleur diagnostic des cancers de l’ovaire par rapport aux lésions bénignes“, a déclaré Zou.
Source :
Washington University in St. Louis
Photo de Nadezhda Moryak
