- Les chercheurs ont développé un outil d’apprentissage en profondeur de l’IA appelé Sybil pour prédire le risque de cancer du poumon.
- Sybil avait une valeur AUC (aire sous la courbe) de 94 %, ce qui montre un degré élevé de capacité à classer correctement les personnes avec ou sans cancer du poumon dans l’année suivant le dépistage, et jusqu’à 81 % dans les six ans.
- Sybil a également réduit le taux de faux positifs de 14% avec les méthodes d’analyse actuelles à 8% pour le premier scanner, ouvrant la possibilité d’un seul scanner pour le cancer du poumon.
- Ils ont noté qu’une évaluation plus approfondie est nécessaire pour déterminer la performance de Sybil, en particulier dans différents groupes ethniques.
Le cancer du poumon est le
Le tabagisme est le
La tomodensitométrie à faible dose, également connue sous le nom de tomodensitométrie à faible dose, est le seul moyen recommandé de dépister le cancer du poumon. Il s’agit de patients allongés sur une table pendant qu’un appareil à rayons X génère des images de leurs poumons.
Le groupe de travail sur les services préventifs des États-Unis
Des études aussi suggérer que de nombreux patients dépistés ne reçoivent pas de soins de longue durée adéquats, y compris des suivis. D’autres recherches montrent que les diagnostics de cancer du poumon sont en augmentant parmi les fumeurs légers et non fumeurs.
Améliorer l’efficacité des tomodensitogrammes à faible dose et les étendre aux fumeurs légers et jamais fumeurs pourrait réduire les taux de mortalité par cancer du poumon.
Les approches actuelles de tomodensitométrie à faible dose nécessitent une combinaison d’informations démographiques, de facteurs de risque cliniques et d’annotations radiologiques pour les résultats en plus de 3 ou 4 tomodensitogrammes à faible dose.
Récemment, des chercheurs ont créé un modèle d’apprentissage en profondeur du risque de cancer nommé Sybil. Contrairement aux approches actuelles, Sybil ne nécessite qu’une seule tomodensitométrie du thorax bas pour prédire le risque de cancer du poumon 1 à 6 ans après le dépistage.
« Sybil donne un score de risque, pas un diagnostic – il est donc plus utile d’identifier les patients qui doivent être suivis de près ou dépistés pour le cancer », Dr Lecia V. Sequistdirecteur du Center for Innovation in Early Detection du Massachusetts General Hospital et professeur de médecine à la Harvard Medical School, l’un des auteurs de l’étude, a déclaré Nouvelles médicales aujourd’hui.
L’algorithme de Sybil est accessible au public avec des annotations d’images pour promouvoir d’autres recherches et applications cliniques.
L’étude correspondante a été publiée dans le Journal d’oncologie clinique.
Les chercheurs ont développé un modèle d’IA d’apprentissage en profondeur en utilisant les données de 15 000 participants. Au total, ils ont utilisé 35 001 tomodensitogrammes à faible dose pour former et développer leur modèle, et 6 282 pour tester leur modèle.
Pour aider à former le modèle, deux radiologues thoraciques ont annoté les lésions suspectes sur les scans des patients qui ont développé un cancer dans l’année suivant le scan.
En utilisant uniquement des tomodensitogrammes à faible dose singuliers, Sybil a obtenu un score d’attribution correcte du cancer du poumon ou non de 92 % sur tous les ensembles de données de test après 1 an, 86 % après 2 ans, et un probabilité (indice C) de 75% après 6 ans.
Les chercheurs ont noté que les performances de Sybil étaient stables selon le sexe, l’âge et les antécédents de tabagisme.
Ils ont ensuite testé Sybil sur un ensemble de données du Massachusetts General Hospital (MGH) à Boston, aux États-Unis, et du Chang Gung Memorial Hospital (CGMH) à Taïwan. Contrairement aux ensembles de données primaires et MGH, les patients du CGMH n’avaient pas besoin d’antécédents positifs de tabagisme pour une tomodensitométrie à faible dose.
Sybil a correctement prédit 86 % des cas de cancer du poumon ou des poumons sains dans l’année à partir de l’ensemble de données MGH, aux côtés de 94 % des cas dans les données CGMH. Il a également prédit 81% de cancers du poumon ou de poumons sains parmi la cohorte MGH et 80% parmi la cohorte CGHM après six ans.
Les chercheurs ont écrit que Sybil pouvait également prédire les facteurs de risque cliniques traditionnels tels que le tabagisme à partir d’analyses.
Les chercheurs ont noté certaines limites à leur modèle. Ils ont noté, par exemple, que 92% des données de formation de Sybil provenaient de patients blancs, ce qui signifie que leurs découvertes peuvent ne pas s’appliquer à des populations plus diverses.
Ils ont également noté que les scans de données de formation ont été obtenus entre 2002 et 2004, ce qui signifie que les changements dans la technologie CT au fil du temps pourraient affecter négativement la capacité prédictive de Sybil.
Comme ils ne disposaient pas de données détaillées sur le tabagisme des patients CGMH, les conclusions sur la capacité de Sybil à prédire le cancer du poumon chez les non-fumeurs sont spéculatives.
« Jusqu’à présent, le travail autour de Sybil a été rétrospectif », Dr Sheena Bhallaun professeur adjoint au Simmons Cancer Center de l’UT Southwestern, qui n’a pas participé à l’étude, a déclaré MNT.
« Pour aller de l’avant, des données prospectives, incorporant diverses populations (en termes de race/ethnicité, fumeurs et non-fumeurs, etc.), sont nécessaires pour mieux comprendre les performances de Sybil et les avantages cliniques plus larges », a-t-elle ajouté.
« Bien que le dépistage du cancer du poumon par tomodensitométrie à faible dose selon les directives du groupe de travail américain sur les services préventifs puisse réduire la mortalité par cancer du poumon chez les personnes à haut risque, les tomodensitogrammes à faible dose peuvent également entraîner des résultats faussement positifs, ce qui peut entraîner des procédures inutiles chez un sous-ensemble de patients, » elle a expliqué.
Ces facteurs à l’esprit, les chercheurs ont écrit qu’une évaluation plus approfondie dans une étude prospective est nécessaire pour évaluer les performances et les avantages cliniques de Sybil.
Dr Jun Zhangoncologue médical de l’Université du Kansas Cancer Center, qui n’a pas participé à l’étude, a également déclaré MNT:
« Dans l’ensemble, c’est un constat positif mais rien d’étonnant à la capacité de l’IA »
« [Sybil] a certainement une valeur, par exemple en indiquant la probabilité qu’un nodule puisse être bénin et malin. La chose la plus importante que nous ne savons pas encore est de savoir si une telle prédiction peut à coup sûr se traduire par un avantage en termes de survie par rapport au LDCT. D’autres facteurs tels que l’anxiété, la conformité, le coût, etc. doivent tous être pris en considération.
— Dr Jun Zhang
Réma Padmanprofesseur de sciences de gestion et d’informatique de la santé au Heinz College de l’Université Carnegie Mellon, qui n’a pas participé à l’étude, a déclaré MNT que si les résultats de Sybil sont passionnants, quelques problèmes subsistent concernant son développement.
« Un [issue] concerne la qualité de l’image et son impact sur les performances de l’algorithme. [The s]La seconde concerne les fonctionnalités critiques qui stimulent les performances. Y a-t-il des caractéristiques de l’image qui ont une influence particulière sur l’amélioration des performances et qui ont des conséquences concrètes sur la prise de décision clinique ? » dit-elle.
Elle a ajouté que « compte tenu du large scepticisme/préoccupations concernant l’utilisation de l’IA/ML [machine learning] pour les soins cliniques », il peut y avoir des défis translationnels avec cette découverte.
Les chercheurs ont écrit que Sybil pourrait potentiellement fonctionner en arrière-plan dans les stations de lecture radiologique et prédire le risque de cancer du poumon dès que des tomodensitogrammes à faible dose seront disponibles sans la présence de radiologues pour annoter les zones d’intérêt, ou les données démographiques et autres données cliniques.
Ils espèrent que Sybil pourra réduire le besoin d’examens de suivi ou de biopsies chez les patients à faible risque.
« Notre espoir est qu’à l’avenir, Sybil puisse être utilisé pour identifier les patients qui doivent subir un dépistage annuel du cancer du poumon. Cela peut fonctionner un peu comme une coloscopie où vous obtenez une coloscopie de base vers 45-50 ans (par exemple), et si aucun polype n’est vu, vous n’en avez pas besoin d’autre pendant 10 ans », a déclaré le Dr Sequist.
« Cependant, si des anomalies sont observées, vous avez besoin d’un suivi à des intervalles plus courts »,
« Il est important de savoir que pour le dépistage, une taille unique peut ne pas convenir à tous les patients – Sybil nous aidera davantage vers des régimes de dépistage personnalisés. Sybil peut également être très utile dans les environnements à court de ressources, car il n’a pas besoin d’un radiologue pour l’aider à exécuter ou à interpréter les images avant que Sybil ne regarde le scan.
— Dr Lecia V. Sequist
« Ces futures applications doivent être testées dans des essais cliniques et confirmées utiles avant qu’elles ne soient prêtes pour le prime time, bien sûr, et nous nous préparons à lancer ces essais dès que possible ! » conclut-elle.
