Des chercheurs du Massachusetts General Hospital (MGH) ont développé un modèle d’apprentissage en profondeur qui peut identifier les biomarqueurs d’imagerie sur les mammographies de dépistage afin de prédire le risque de cancer du sein chez les patientes avec une plus grande précision que les outils traditionnels d’évaluation des risques.
Les résultats de l’étude ont été présentés lors de la réunion annuelle de la Radiological Society of North America (RSNA).
Leslie Lamb, M.D, radiologue du sein au MGH a déclaré que « les modèles traditionnels d’évaluation des risques ne peuvent pas tirer parti du niveau de détail contenu dans les mammographies. Même les meilleurs modèles de risque traditionnels existants peuvent séparer des sous-groupes de patients, mais pas de manière si spécifique au niveau individuel. »
Les modèles d’évaluation des risques actuellement disponibles ne contiennent qu’une petite partie des données des patients, telles que les antécédents familiaux, les biopsies mammaires antérieures et les antécédents hormonaux et reproductifs. Le dépistage par mammographie en lui-même n’a qu’une seule caractéristique, à savoir la densité mammaire, qui est incluse dans le modèle traditionnel.
Constance D. Lehman, chef de service d’imagerie mammaire à l’HGM, a déclaré: «Chaque mammographie contient une richesse de données numériques, pourquoi devrions-nous nous limiter à la densité mammaire uniquement». «La mammographie de chaque femme lui est propre, tout comme son empreinte digitale. Elle contient des biomarqueurs d’imagerie qui peuvent prédire fortement le risque de cancer futur, mais jusqu’à ce que nous disposions des outils d’apprentissage approfondi, nous n’étions pas en mesure d’extraire ces informations pour améliorer les soins aux patients ».
Le Dr Lamb et une équipe de chercheurs ont développé un nouvel algorithme d’apprentissage en profondeur qui peut prédire le risque de cancer du sein en utilisant les données de cinq sites de dépistage du cancer du sein de l’HGM. Le modèle a été développé sur une population comprenant des femmes ayant des antécédents personnels de cancer du sein, des implants ou des biopsies antérieures.
L’étude comprenait 245 753 mammographies bilatérales numériques consécutives de dépistage en 2D, effectuées chez 80 818 patientes entre 2009 et 2016. Sur l’ensemble des mammographies, 210 819 examens chez 56 831 patientes ont été utilisés pour la formation, 25 644 examens chez 7 021 patientes pour le dépistage, et 9 290 examens chez 3 961 patientes pour la validation.
À l’aide d’une analyse statistique, les chercheurs ont comparé la précision du modèle d’apprentissage en profondeur à base d’images uniquement avec un modèle d’évaluation des risques disponible dans le commerce (Tyrer-Cuzick version 8) pour prédire le futur cancer du sein dans les cinq ans suivant la mammographie de référence. Le taux de prédiction du modèle d’apprentissage en profondeur est de 0,71, ce qui est nettement supérieur au modèle de risque traditionnel, qui a atteint un taux de 0,61.
Le Dr Lamb a déclaré que : «Notre modèle d’apprentissage en profondeur peut traduire divers biomarqueurs d’imagerie subtils pendant la mammographie, ce qui peut prédire le risque futur de cancer du sein chez les femmes.
Le Dr Lamb a indiqué que le nouveau modèle d’apprentissage profond a été validé à l’extérieur en Suède et à Taïwan, et prévoit de mener plus de recherches plus larges sur les populations afro-américaines et minoritaires.
Au MGH, les informations sur les risques d’apprentissage profond sont disponibles sur le logiciel de notification lorsque le radiologue lit la mammographie de dépistage d’une patiente.
« L’acquisition des modèles de risque traditionnels peut prendre beaucoup de temps et s’appuyer sur des données incohérentes ou manquantes. Les modèles de risque basés uniquement sur des images d’apprentissage en profondeur peuvent améliorer l’accès à une évaluation des risques plus précise et moins coûteuse et contribuer à tenir la promesse d’une médecine de précision ». a déclaré Leslie Lamb, MD, Radiologue du sein, Massachusetts General Hospital.
Source:
Radiological Society of North America
Photo de Anna Tarazevich
