Le diagnostic du cancer du sein : comment l’intelligence artificielle révolutionne l’échographie

Le diagnostic du cancer du sein : comment l’intelligence artificielle révolutionne l’échographie

Le cancer du sein reste l’un des cancers les plus fréquents chez les femmes dans le monde. Détecter tôt et avec précision est crucial. Mais comment améliorer les méthodes de diagnostic actuelles ? L’échographie, en particulier l’imagerie Doppler couleur (CDFI), est un outil clé. Pourtant, distinguer les différentes masses mammaires reste un défi, même pour les radiologues expérimentés. Une nouvelle étude montre comment l’intelligence artificielle (IA) peut aider à classer ces masses avec une précision inédite.

Pourquoi est-ce important ?

En Chine, les masses mammaires sont classées en quatre catégories : masses inflammatoires, adénoses, tumeurs bénignes et tumeurs malignes. Chacune nécessite une prise en charge différente. Par exemple, une masse inflammatoire comme la mastite granulomateuse (GM) peut ressembler à une tumeur maligne à l’échographie, conduisant à des biopsies inutiles. De même, l’adénose sclérosante (SA), un type d’adénose, présente souvent des caractéristiques similaires à celles des tumeurs malignes. Une mauvaise classification peut entraîner des traitements inappropriés ou des retards dans les soins.

Les systèmes d’aide au diagnostic (CAD) existants se concentrent principalement sur la distinction entre tumeurs bénignes et malignes. Mais ils ne prennent pas en compte des sous-types comme les adénoses ou les masses inflammatoires. Cette étude propose une nouvelle approche utilisant l’IA pour classer les masses en quatre catégories, alignées sur les besoins cliniques.

Comment l’étude a-t-elle été menée ?

L’étude a analysé les données de 3 623 patientes provenant de 13 hôpitaux en Chine. Les images échographiques ont été prises entre janvier 2016 et janvier 2018. Les patientes ayant des implants mammaires, une co-infection par le VIH ou des images de mauvaise qualité ont été exclues. Au total, 15 648 images ont été utilisées, réparties en 1 601 tumeurs bénignes, 1 179 tumeurs malignes, 572 masses inflammatoires et 271 cas d’adénose.

L’architecture de l’intelligence artificielle

Le modèle utilisé est basé sur un réseau de neurones convolutifs (CNN), une technique d’IA spécialisée dans l’analyse d’images. Il se compose de deux modules :

Module de détection :
- Extraction des caractéristiques : Le modèle ResNet-50 est utilisé pour analyser les images et identifier les zones suspectes.
- Proposition de régions : Des boîtes englobantes sont dessinées autour des zones suspectes, et les propositions peu fiables sont éliminées.
Module de classification :
- Variantes du modèle : Trois configurations ont été testées :
  - Modèle 2D : Utilise uniquement les images échographiques en noir et blanc.
  - Modèle 2D-CDFI : Combine les images 2D et Doppler couleur pour intégrer des informations structurelles et vasculaires.
  - Modèle 2D-CDFI-PW : Ajoute des données spectrales Doppler pulsé (PW) aux images 2D et CDFI.
- Mécanismes d’attention : Pour le modèle 2D-CDFI-PW, des techniques d’attention fusionnent les données spectrales avec les images 2D et CDFI.

Le modèle a été entraîné avec une méthode appelée descente de gradient stochastique (SGD), un taux d’apprentissage de 0,001 et une augmentation des données (rotation, zoom) pour éviter le surapprentissage.

Les résultats clés

Performance selon les modalités d’imagerie

Le modèle 2D-CDFI a obtenu les meilleurs résultats :

Précision : 89,2 % (2D-CDFI) contre 87,9 % (2D) et 88,7 % (2D-CDFI-PW).
AUC (Aire sous la courbe) :
- Tumeurs bénignes : 0,94.
- Tumeurs malignes : 0,96.
- Masses inflammatoires : 0,80.
- Adénose : 0,81.

La sensibilité et la spécificité dépassaient 90 % pour les tumeurs bénignes et malignes, mais étaient plus faibles pour les masses inflammatoires (55 %) et l’adénose (46 %), en raison du déséquilibre des données.

Impact de la taille de la lésion

La précision du modèle 2D variait légèrement selon la taille des lésions :

≤1 cm : 81,7 %.
1–2 cm : 82,3 %.
2–5 cm : 85,1 %.
>5 cm : 84,6 %.
Aucune différence significative n’a été observée entre les groupes, montrant la robustesse du modèle.

Validation multicentrique

Le modèle a été validé indépendamment avec des données d’un autre hôpital, confirmant son adaptabilité. Par exemple, pour 219 cas, la précision était de 88,9 % pour les tumeurs bénignes et 90,2 % pour les tumeurs malignes.

Comparaison avec les radiologues

Le modèle a surpassé 37 radiologues expérimentés dans l’évaluation de 50 images :

IA : 89,2 % de précision, temps de traitement de 400 ms.
Radiologues : Précision moyenne de 30 %, temps moyen de 314 secondes.
Cette différence montre le potentiel de l’IA pour réduire les délais de diagnostic et améliorer l’efficacité.

Implications techniques et cliniques

Rôle du Doppler couleur : L’intégration du Doppler couleur a amélioré la précision en capturant les motifs vasculaires indicatifs de malignité.
Robustesse de l’algorithme : Le modèle fonctionne bien avec différents équipements et tailles de lésions, ce qui le rend utile dans divers contextes cliniques.
Intégration dans la pratique clinique : Le traitement en temps réel (1 seconde sur CPU) permet une intégration fluide, aidant les radiologues à prioriser les cas à risque.

Limites et perspectives futures

Déséquilibre des données : Les masses inflammatoires et l’adénose étaient sous-représentées, affectant la sensibilité du modèle.
Imagerie Doppler pulsé : Des données supplémentaires sont nécessaires pour valider son utilité.
Validation prospective : Des essais en conditions réelles sont nécessaires pour confirmer les performances du modèle.

Conclusion

Cette étude montre que l’IA, combinée à l’imagerie 2D et Doppler couleur, peut classer les masses mammaires avec une grande précision. En surpassant les radiologues en vitesse et en précision, ce modèle offre un outil prometteur pour réduire les erreurs de diagnostic et optimiser les soins.

doi.org/10.1097/CM9.0000000000001329
For educational purposes only.