L’intelligence artificielle peut-elle surpasser les radiologues dans la détection de la propagation du cancer ?
Imaginez qu’on vous dise que vous avez un cancer. Maintenant, imaginez qu’on vous informe que ce cancer pourrait s’être propagé, mais sans en être certain. Cette incertitude est une réalité pour de nombreux patients atteints d’un cancer rectal, où déterminer si la maladie a atteint les ganglions lymphatiques voisins (de petites structures en forme de haricot qui aident à combattre les infections) est crucial pour décider du meilleur traitement. Les méthodes traditionnelles reposent largement sur l’interprétation des images IRM par les radiologues, mais même les experts peuvent avoir du mal à poser un diagnostic précis. Et si un ordinateur pouvait faire mieux ? Une étude récente suggère qu’un système d’intelligence artificielle (IA) pourrait bien être la solution.
Le défi de détecter la propagation du cancer
Le cancer rectal est l’un des cancers les plus courants du système digestif. Lorsqu’il se propage aux ganglions lymphatiques, les risques de récidive ou d’aggravation augmentent considérablement. Les médecins doivent savoir si les ganglions sont touchés pour décider si un patient doit suivre une chimiothérapie et une radiothérapie avant la chirurgie ou passer directement à l’opération. L’imagerie par résonance magnétique (IRM) est l’outil privilégié pour cette évaluation, car elle fournit des images détaillées des tissus mous. Cependant, interpréter ces images est complexe. Les radiologues doivent examiner des facteurs tels que la taille, la forme et la luminosité des ganglions lymphatiques, qui peuvent être subtils et difficiles à évaluer. Même les radiologues expérimentés peuvent être en désaccord, ce qui entraîne des diagnostics incohérents.
L’arrivée de l’intelligence artificielle
Pour résoudre ce problème, des chercheurs se sont tournés vers l’IA, en particulier un type d’IA appelé Réseau de Neurones Convolutifs basé sur des Régions Rapides (Faster R-CNN). Ce système est conçu pour analyser des images et détecter des objets—dans ce cas, les ganglions lymphatiques métastatiques (cancéreux). L’objectif était de voir si ce système d’IA pouvait égaler ou même surpasser les radiologues dans l’identification de la propagation aux ganglions lymphatiques chez les patients atteints de cancer rectal.
Comment l’étude a été menée
L’étude a porté sur 414 patients atteints de cancer rectal ayant subi une chirurgie entre 2013 et 2015 dans six hôpitaux en Chine. Les chercheurs ont utilisé les IRM de ces patients pour entraîner et tester le système Faster R-CNN. L’IA a été formée à reconnaître les ganglions lymphatiques métastatiques en analysant des milliers d’images IRM annotées par des radiologues. Les performances du système ont ensuite été comparées aux diagnostics établis par des radiologues seniors et des pathologistes (médecins qui examinent les échantillons de tissus au microscope).
La précision de l’IA a été mesurée à l’aide d’une métrique appelée précision moyenne moyenne (mAP), qui évalue la capacité du système à détecter et classer des objets dans les images. Les IRM comprenaient différents types d’images, comme l’imagerie pondérée en T2 (T2WI), l’imagerie T2 avec suppression de graisse, et l’imagerie de diffusion (DWI), pour offrir à l’IA une vue complète.
Les résultats de l’étude
Les résultats sont prometteurs. Le système d’IA a montré un niveau élevé de concordance avec les radiologues, avec un coefficient de corrélation de 0,912. Cela signifie que dans la plupart des cas, l’IA et les radiologues étaient d’accord. Cependant, lorsqu’on compare l’IA aux pathologistes—qui fournissent les diagnostics les plus précis en examinant les tissus après la chirurgie—l’IA a surpassé les radiologues. La corrélation entre l’IA et les pathologistes était de 0,448, tandis que celle entre les radiologues et les pathologistes n’était que de 0,134. Cela suggère que les diagnostics de l’IA étaient plus proches des conclusions des pathologistes que ceux des radiologues.
En termes de stadification—classer l’étendue de la propagation du cancer—l’IA a également bien performé. Le coefficient kappa, une mesure de concordance, était de 0,573 entre l’IA et les pathologistes, contre 0,473 entre les radiologues et les pathologistes. Cela signifie que l’IA était plus précise pour déterminer le stade d’atteinte des ganglions lymphatiques. Cependant, l’IA a eu tendance à surestimer la gravité de la propagation dans certains cas. Par exemple, elle a classé 72 patients comme ayant une propagation plus avancée (stade N2) alors que les pathologistes les avaient classés comme stade N1.
Les résultats à long terme
Les chercheurs ont également examiné la fiabilité des prédictions de l’IA sur le long terme. Ils ont suivi 362 patients pendant 36 mois pour voir si leur cancer récidivait. Bien que des facteurs comme le sexe du patient, la stadification du pathologiste et le type de chirurgie aient significativement influencé les chances de récidive, la stadification de l’IA n’a pas montré de lien fort avec les résultats à long terme. Cela suggère que si l’IA est efficace pour détecter la propagation aux ganglions lymphatiques, elle n’est pas encore le meilleur outil pour prédire l’évolution de la maladie.
Pourquoi c’est important
Cette étude met en lumière le potentiel de l’IA pour améliorer la précision et l’efficacité du diagnostic du cancer. Le système Faster R-CNN a pu analyser les IRM en seulement 20 secondes par cas, contre 600 secondes (10 minutes) pour un radiologue. Cette rapidité pourrait aider les médecins à prendre des décisions plus rapidement, réduisant ainsi les délais de traitement.
De plus, la capacité de l’IA à égaler ou dépasser la précision des radiologues dans la détection de la propagation aux ganglions lymphatiques pourrait conduire à de meilleurs plans de traitement. Si les médecins peuvent être plus confiants dans leur diagnostic, ils peuvent choisir la thérapie la plus appropriée pour chaque patient, améliorant potentiellement les résultats.
Limites et prochaines étapes
Bien que les résultats soient encourageants, l’étude souligne également certaines limites. Le système d’IA a eu tendance à surestimer la gravité de la propagation aux ganglions lymphatiques dans certains cas, ce qui pourrait entraîner des traitements inutiles. De plus, les prédictions de l’IA n’étaient pas fortement corrélées avec les résultats à long terme, ce qui signifie qu’elle n’est pas encore prête à remplacer les pathologistes ou d’autres outils de diagnostic.
Les chercheurs insistent sur la nécessité de poursuivre les travaux pour affiner le système d’IA et le tester sur des groupes de patients plus vastes et plus diversifiés. Ils notent également que si l’IA peut aider au diagnostic, elle ne devrait pas remplacer l’expertise humaine. Elle pourrait plutôt servir d’outil précieux pour soutenir les radiologues et améliorer la précision de la stadification du cancer.
Un aperçu de l’avenir
Cette étude représente un pas en avant dans le domaine croissant de l’IA en médecine. À mesure que la technologie évolue, des systèmes d’IA comme Faster R-CNN pourraient devenir des outils standard dans les hôpitaux, aidant les médecins à diagnostiquer et traiter le cancer plus efficacement. Pour les patients, cela pourrait signifier des diagnostics plus rapides et plus précis, ainsi que de meilleures chances de vaincre la maladie.
Nous n’y sommes pas encore, mais le potentiel est clair. L’IA ne remplacera pas les médecins, mais elle pourrait les rendre encore meilleurs dans leur travail—et c’est une bonne nouvelle pour tout le monde.
À des fins éducatives uniquement.
doi.org/10.1097/CM9.0000000000000095