Je ne pense pas que nous puissions utiliser ce modèle comme un outil de diagnostic autonome. Au lieu de cela, la prédiction du modèle peut être utilisée comme un complément dans notre processus de prise de décision.
Naoki Takahashi
« Les radiologues annotent les lésions suspectes au moment de l’interprétation, mais ces annotations ne sont pas systématiquement disponibles. Par conséquent, lorsque les chercheurs développent un modèle d’apprentissage profond, ils doivent redessiner les contours », a déclaré le Dr Takahashi. « 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 de l’IRM avec les résultats de pathologie correspondants. De plus, ce processus prend du temps. »
Le Dr Takahashi et ses collègues ont développé un nouveau type de modèle d’apprentissage profond pour prédire la présence d’un cancer de la prostate cliniquement significatif sans avoir besoin d’informations sur la localisation de la lésion. Ils ont comparé ses performances à celles de radiologues abdominaux dans un grand groupe de patients sans cancer de la prostate cliniquement significatif connu qui ont subi une IRM dans plusieurs sites d’un même établissement universitaire. Les chercheurs ont entraîné un réseau neuronal convolutionnel (CNN) – un type sophistiqué d’IA capable de discerner des motifs subtils dans des images au-delà des capacités de l’œil humain – pour prédire un cancer de la prostate cliniquement significatif à partir d’une IRM multiparamétrique.
Parmi 5 735 examens effectués sur 5 215 patients, 1 514 ont révélé un cancer de la prostate cliniquement significatif. Sur l’ensemble de tests internes de 400 examens et sur un ensemble de tests externes de 204 examens, les performances du modèle d’apprentissage profond dans la détection d’un cancer de la prostate cliniquement significatif n’étaient pas différentes de celles des radiologues abdominaux expérimentés. Une combinaison du modèle d’apprentissage profond et des résultats du radiologue a donné de meilleurs résultats que les radiologues seuls sur les ensembles de tests internes et externes.
Étant donné que les résultats du modèle d’apprentissage profond n’incluent pas la localisation des tumeurs, les chercheurs ont utilisé ce que l’on appelle une carte d’activation de classe pondérée par gradient (Grad-CAM) pour localiser les tumeurs. L’étude a montré que pour les examens véritablement positifs, Grad-CAM mettait systématiquement en évidence les lésions cancéreuses de la prostate cliniquement significatives.
Le Dr Takahashi considère le modèle comme un assistant potentiel pour le radiologue, qui peut contribuer à améliorer les performances diagnostiques de l’IRM grâce à des taux de détection du cancer accrus et à une réduction des faux positifs. « Je ne pense pas que nous puissions utiliser ce modèle comme un outil de diagnostic autonome », a déclaré le Dr Takahashi. « Au lieu de cela, la prédiction du modèle peut être utilisée comme un complément dans notre processus de prise de décision. »
Les chercheurs ont continué à élargir l’ensemble de données, qui comprend désormais deux fois plus de cas que dans l’étude originale. La prochaine étape est une étude prospective qui examine la façon dont les radiologues interagissent avec la prédiction du modèle. « Nous aimerions présenter les résultats du modèle aux radiologues et évaluer la façon dont ils l’utilisent pour l’interprétation et comparer les performances combinées du radiologue et du modèle à celles du radiologue seul pour prédire le cancer de la prostate cliniquement significatif », a déclaré le Dr Takahashi.
2024-08-07 09:06:21
1723011792
#modèle #dapprentissage #profond #détecte #cancer #prostate #sur #les #examens #IRM #healthcareineurope.com
