Un modèle d’apprentissage profond a démontré une performance équivalente à celle d’un radiologue abdominal dans la détection du cancer de la prostate cliniquement significatif à l’IRM, selon une étude récemment publiée dans Radiology, une revue de la Radiological Society of North America (RSNA). Ce modèle pourrait être utilisé, selon les chercheurs de la Mayo Clinic, en complément des radiologues pour améliorer la détection du cancer de la prostate.
Le cancer de la prostate est le deuxième cancer le plus fréquent chez les hommes dans le monde. En France, avec environ 53 000 nouveaux cas par an, il est non seulement le cancer le plus fréquent chez l’homme mais aussi dans l’ensemble de la population française.
L’IRM multiparamétrique, qui fait appel à des méthodes complémentaires d’imagerie, est aujourd’hui l’outil principal utilisé par les radiologues pour diagnostiquer le cancer de la prostate, les résultats étant exprimés via le système PI-RADS (Prostate Imaging-Reporting and Data System) version 2.1. Toutefois, ce système présente certaines limites dans la classification des lésions.
Selon le Dr Naoki Takahashi, principal auteur de l’étude et membre du département de radiologie de la Mayo Clinic à Rochester, au Minnesota :
“L’interprétation de l’IRM de la prostate est complexe. Les radiologues les plus expérimentés obtiennent généralement de meilleures performances diagnostiques”.
Les algorithmes d’IA appliqués à l’IRM de la prostate ont montré un potentiel prometteur pour améliorer la détection du cancer tout en réduisant la variabilité entre les observateurs. Cependant, les approches actuelles d’IA nécessitent souvent que les lésions soient annotées par un radiologue ou un pathologiste, ce qui alourdit le processus de développement et de mise en œuvre clinique.
Pour le Dr Takahashi, ce processus est non seulement chronophage mais aussi difficile à corréler avec les résultats pathologiques. Il explique :
“Les radiologues annotent les lésions suspectes au moment de l’interprétation, mais ces annotations ne sont pas systématiquement disponibles, donc lorsque les chercheurs développent un modèle d’apprentissage profond, ils doivent en redessiner les contours. De plus, les chercheurs doivent corréler les résultats de l’imagerie avec le rapport de pathologie lors de la préparation de l’ensemble de données. Si plusieurs lésions sont présentes, il n’est pas toujours possible de corréler les lésions à l’IRM avec les résultats pathologiques correspondants”.
Pour surmonter ces défis, le Dr Takahashi et son équipe ont développé un nouveau modèle de deep learning capable de prédire la présence d’un cancer de la prostate cliniquement significatif sans nécessiter d’information sur l’emplacement précis des lésions. Ce modèle a été comparé aux performances de radiologues abdominaux sur un grand groupe de patients sans cancer de la prostate cliniquement significatif connu, ayant subi une IRM sur plusieurs sites d’un seul établissement universitaire.
L’étude a utilisé un réseau neuronal convolutif (CNN) pour analyser les IRM multiparamétriques. Parmi 5 735 examens effectués sur 5 215 patients, 1 514 ont révélé un cancer de la prostate cliniquement significatif. Les résultats montrent que le modèle d’IA atteint une performance similaire à celle des radiologues expérimentés tant sur des ensembles de tests internes qu’externes.
La combinaison des prédictions du modèle de deep learning avec les résultats des radiologues a surpassé les performances des radiologues seuls. Pour localiser les tumeurs, les chercheurs ont utilisé une carte d’activation de classe pondérée par gradient (Grad-CAM). Cette méthode a permis de localiser avec précision les lésions cliniquement significatives lors des examens positifs.
Le Dr Takahashi voit ce modèle comme un outil d’assistance, capable d’améliorer la précision des diagnostics tout en réduisant les faux positifs. Il précise :
“Ce modèle ne peut pas être utilisé comme un outil de diagnostic autonome. Il est plutôt destiné à compléter le processus décisionnel des radiologues”.
L’équipe de recherche a également élargi son ensemble de données, doublant le nombre de cas étudiés. La prochaine étape sera une étude prospective pour observer comment les radiologues interagissent avec ce modèle et évaluer si cette collaboration améliore les performances diagnostiques par rapport à l’interprétation traditionnelle.
Références de l’article :
“Modèle d’apprentissage profond entièrement automatisé pour détecter le cancer de la prostate cliniquement significatif à l’IRM”. Radiology, https://doi.org/10.1148/radiol.232635
Auteurs :
Jason C. Cai, Hirotsugu Nakai, Shiba Kuanar, Adam T. Froemming, Candice W. Bolan, Akira Kawashima, Hiroaki Takahashi, Lance A. Mynderse, Chandler D. Dora, Mitchell R. Humphreys, Panagiotis Korfiatis, Pouria Rouzrokh, Alexander K. Bratt, Gian Marco Conte, MD, Ph.D., Bradley J. Erickson, Naoki Takahashi.
Affiliations :
- Départements de radiologie (J.C.C., H.N., S.K., A.T.F., H.T., P.K., P.R., A.K.B., G.M.C., B.J.E., N.T.) et d’urologie (L.A.M.), Mayo Clinic, 200 First St SW, Rochester, MN 55905 ; Département de radiologie, Massachusetts General Hospital, Boston, Massachusetts (J.C.C.) ;
- Départements de radiologie (C.W.B.) et d’urologie (C.D.D.), Mayo Clinic, Jacksonville, Floride ;
- Départements de radiologie (A.K.) et d’urologie (M.R.H.), Mayo Clinic, Scottsdale, Arizona.
