Jean Pierre LAROCHE 12 Septembre 2024 Clics : 341

IA : Prédiction Cancer du Sein

"Celui qui ne sait pas d'où il vient ne peut savoir où il va car il ne sait où il est. En ce sens le passé est la rampe de lancement vers l'avenir" Otto Habsbourg de Lorraine

Yala A, Mikhael PG, Strand F, Lin G, Smith K, Wan YL, Lamb L, Hughes K, Lehman C, Barzilay R. Toward robust mammography-based models for breast cancer risk.

Vers des modèles robustes basés sur la mammographie pour évaluer le risque de cancer du sein Sci Transl Med. 2021 Jan 27;13(578):eaba4373. doi: 10.1126/scitranslmed.aba4373. PMID: 33504648.
https://www.science.org/doi/10.1126/scitranslmed.aba4373?url_ver=Z39.88-2003&rfr_id=ori:rid:crossref.org&rfr_dat=cr_pub%20%200pubmed
Article libre d'accès

Les modèles de risque de cancer du sein améliorés permettent des stratégies de dépistage ciblées qui permettent une détection plus précoce et moins de dommages au dépistage que les directives existantes.

Pour intégrer les modèles de risque d'apprentissage profond à la pratique clinique, nous devons affiner davantage leur précision, les valider auprès de diverses populations et démontrer leur potentiel à améliorer les flux de travail cliniques.

Nous avons développé Mirai, un modèle d'apprentissage profond basé sur la mammographie conçu pour prédire le risque à plusieurs moments, exploiter les informations potentiellement manquantes sur les facteurs de risque et produire des prédictions cohérentes sur toutes les machines de mammographie.

Mirai a été formé sur un grand ensemble de données du Massachusetts General Hospital (MGH) aux États-Unis et testé sur des ensembles de tests conservés du MGH, de l'hôpital universitaire Karolinska en Suède et du Chang Gung Memorial Hospital (CGMH) à Taiwan, obtenant des indices C de 0,76 (intervalle de confiance à 95 %, 0,74 à 0,80), 0,81 (0,79 à 0,82) et 0,79 (0,79 à 0,83), respectivement.

Mirai a obtenu des AUC ROC à 5 ans significativement plus élevées que le modèle Tyrer-Cuzick ( P < 0,001) et les modèles d'apprentissage profond antérieurs Hybrid DL ( P < 0,001) et Image-Only DL ( P < 0,001), formés sur le même ensemble de données.

Mirai a identifié plus précisément les patients à haut risque que les méthodes antérieures dans tous les ensembles de données.

Sur l'ensemble de test MGH, 41,5 % (34,4 à 48,5) des patients qui développeraient un cancer dans les 5 ans ont été identifiés comme à haut risque, contre 36,1 % (29,1 à 42,9) par Hybrid DL ( P = 0,02) et 22,9 % (15,9 à 29,6) par le modèle Tyrer-Cuzick ( P < 0,001).

Les mammographies sont un moyen courant mais imparfait d'évaluer le risque de cancer du sein. Les directives américaines actuelles en matière de dépistage du cancer du sein utilisent toutes un élément d'évaluation du risque de cancer pour éclairer l'évolution clinique. Yala et al. ont développé un modèle d'apprentissage automatique appelé « Mirai » pour prédire le risque de cancer du sein sur la base de mammographies traditionnelles. Le modèle de risque des auteurs a obtenu de meilleurs résultats que Tyrer-Cuzick et les modèles d'apprentissage profond précédents pour identifier à la fois le risque de cancer du sein à 5 ans et les patientes à haut risque dans plusieurs cohortes internationales. Mirai a également obtenu des résultats similaires dans toutes les catégories de race et d'ethnicité, ce qui suggère un potentiel d'amélioration des soins aux patients dans tous les domaines

Description schématique de Mirai.

Les quatre vues standard d'une mammographie individuelle ont été introduites dans Mirai. L'encodeur d'images a mappé chaque vue à un vecteur et l'agrégateur d'images a combiné les quatre vecteurs de vue en un seul vecteur pour la mammographie. Dans ce travail, nous avons utilisé un seul ResNet-18 partagé comme encodeur d'images et un transformateur comme agrégateur d'images. Le module de prédiction des facteurs de risque a prédit tous les facteurs de risque utilisés dans le modèle Tyrer-Cuzick, y compris l'âge, les antécédents familiaux détaillés et les facteurs hormonaux, à partir du vecteur de mammographie. La couche de risque additive a combiné les informations provenant à la fois de l'agrégateur d'images et des facteurs de risque (prédits ou donnés) pour prédire des évaluations de risque cohérentes sur 5 ans (Yr).

Addendum

Mirai Une IA pour la Detection Precoce du Cancer du Sein TAG 750x430

IA et mammographie

"Les mammographies sont un moyen courant mais imparfait d'évaluer le risque de cancer du sein. Les directives actuelles de dépistage du cancer du sein aux États-Unis utilisent toutes une composante d'évaluation du risque de cancer pour éclairer l'évolution clinique.

Yala et al. a développé un modèle d'apprentissage automatique appelé « Mirai » pour prédire le risque de cancer du sein sur la base de mammographies traditionnelles. Le modèle de risque des auteurs a donné de meilleurs résultats que Tyrer-Cuzick et les modèles d'apprentissage en profondeur précédents pour identifier à la fois le risque de cancer du sein à 5 ans et les patientes à haut risque dans plusieurs cohortes internationales.

Mirai a également obtenu des résultats similaires dans toutes les catégories de race et d'ethnicité, suggérant le potentiel d'amélioration des soins aux patients à tous les niveaux.

Des modèles améliorés de risque de cancer du sein permettent des stratégies de dépistage ciblées qui permettent une détection plus précoce et moins de dommages de dépistage que les lignes directrices existantes.

Pour apporter des modèles de risque d'apprentissage en profondeur à la pratique clinique, nous devons affiner davantage leur précision, les valider auprès de diverses populations et démontrer leur potentiel pour améliorer les flux de travail cliniques.

Nous avons développé Mirai, un modèle d'apprentissage en profondeur basé sur la mammographie conçu pour prédire le risque à plusieurs moment, tirer parti des informations potentiellement manquantes sur les facteurs de risque et produire des prédictions cohérentes entre les machines de mammographie.

Mirai a été formée sur un vaste ensemble de données du Massachusetts General Hospital (MGH) aux États-Unis et testée sur des ensembles de tests conservés par le MGH, le Karolinska University Hospital en Suède et le Chang Gung Memorial Hospital (CGMH) à Taïwan, obtenant des indices C. de 0,76 (intervalle de confiance à 95 %, 0,74 à 0,80), 0,81 (0,79 à 0,82) et 0,79 (0,79 à 0,83), respectivement.

Mirai a obtenu des AUC ROC à 5 ans significativement plus élevées que le modèle Tyrer-Cuzick ( P < 0,001) et les modèles d'apprentissage en profondeur antérieurs Hybrid DL ( P < 0,001) et Image-Only DL ( P < 0,001), entraînés sur le même ensemble de données.

Mirai a identifié les patients à haut risque avec plus de précision que les méthodes précédentes dans tous les ensembles de données. Sur l'ensemble de tests MGH, 41,5% (34,4 à 48,5) des patients qui développeraient un cancer dans les 5 ans ont été identifiés comme à haut risque, contre 36,1% (29,1 à 42,9) par Hybrid DL (P = 0,02) et 22,9% (15,9 à 29,6) par le modèle Tyrer-Cuzick ( P < 0,001)."

https://jfim.org/ia-et-mammographie

Des algorithmes existants pouvant entraîner des erreurs de diagnostic

Mirai, un algorithme de pointe basé sur le deep learning, a démontré ses compétences en tant qu'outil permettant de prédire le cancer du sein, mais comme on sait peu de choses sur son processus de raisonnement, l'algorithme risque de rendre les radiologues trop confiants et de commettre des erreurs de diagnostic. C’est la raison pour laquelle une équipe de chercheurs du Département d'informatique de l'Université Duke à Durham - Caroline du Nord, USA -, a conçu une nouvelle méthode d’AI pour améliorer sa pertinence dans le dépistage du cancer du sein.

« Mirai est une boîte noire - un réseau neuronal très vaste et complexe, de construction similaire à ChatGPT - et personne ne savait comment elle prenait ses décisions, précise l'auteur principal de l'étude, Jon Donnelly, titulaire d'un doctorat d’informatique et étudiant à l'Université Duke. Nous avons développé une méthode d’IA interprétable qui nous permet de prédire le cancer du sein à partir de mammographies 1 à 5 ans à l’avance. AsymMirai est beaucoup plus simple et beaucoup plus facile à comprendre que Mirai. »

https://www.thema-radiologie.fr/actualites/3839/un-modele-d-ia-peut-predire-le-cancer-du-sein-a-cinq-ans.html

L’IA Mirai vient transformer le dépistage du cancer du sein en le diagnostiquant des années avant qu’il ne se développe. Cette nouvelle technologie promet d’améliorer considérablement la détection précoce et le traitement du cancer du sein. Il s’agit d’une avancée cruciale, surtout quand on considère les statistiques récentes : selon l’Organisation mondiale de la santé, 2,3 millions de nouveaux cas de cancer du sein ont été diagnostiqués en 2020, et 7,8 millions de femmes en ont été atteintes au cours des cinq dernières années. En intégrant l’intelligence artificielle (IA) dans le processus de dépistage, Mirai offre une précision et une efficacité accrues, ce qui est essentiel pour sauver des vies.

Les chercheurs du MIT ont développé un système d’apprentissage profond pour prédire le risque de cancer du sein à partir de mammographies. Le modèle, nommé Mirai, montre une grande précision à travers diverses démographies et contextes cliniques, promettant ainsi de transformer le dépistage et la prévention du cancer du sein MIT News.

Qu’est-ce que Mirai?

Mirai est une plateforme technologique développée par le CSAIL et le Jameel Clinic du MIT, qui utilise l’intelligence artificielle pour analyser les images de mammographie. Grâce à des algorithmes avancés d’apprentissage profond, Mirai peut prédire le risque de cancer du sein jusqu’à cinq ans à l’avance. L’algorithme a été validé sur des ensembles de données provenant de l’Hôpital Général du Massachusetts, de l’Institut Karolinska en Suède et de l’Hôpital Mémorial Chang Gung à Taïwan, montrant des performances constantes à travers différentes populations et environnements cliniques (Medical Xpress).

https://tagageek.com/mirai-ia-detection-precoce-du-cancer-du-sein/

Les Avantages de Mirai

Précision Accrue dans l’indentification des signes subtils de cancer

Les algorithmes de Mirai sont capables d’identifier des signes subtils de cancer, améliorant ainsi la détection précoce. Cette technologie permet de réduire les faux négatifs, ce qui signifie moins de cas de cancer manqués (RSNA).

Réduction des Faux Positifs

Mirai minimise les diagnostics erronés, réduisant ainsi le nombre de biopsies inutiles et le stress pour les patientes. Une étude a montré que l’utilisation de l’IA dans le dépistage a permis de diminuer le taux de faux positifs de 2,39 % à 1,63 % (Medical News Today).

Accessibilité et Rapidité

En traitant rapidement un grand volume d’images, Mirai facilite un dépistage de masse efficace, permettant aux patientes de recevoir leurs résultats plus rapidement, ce qui est crucial pour une intervention rapide.

Mirai et l’Évaluation des Risques

Les chercheurs ont développé un algorithme d’évaluation des risques appelé “Mirai” qui montre des performances constantes à travers des ensembles de données des États-Unis, d’Europe et d’Asie. Mirai améliore les modèles existants en capturant des facteurs de risque uniques et en utilisant une couche de risques additives pour modéliser le risque de manière cohérente dans le temps.

"Donnelly a déclaré : “Nous pouvons, avec une précision étonnamment élevée, prédire si une femme développera un cancer dans les 1 à 5 ans à venir en se basant uniquement sur les différences localisées entre les tissus mammaires gauche et droit.” Cette approche pourrait influencer la fréquence des mammographies, offrant ainsi une surveillance plus ciblée et efficace.

Les résultats ont montré que le modèle simplifié AsymMirai performe presque aussi bien que Mirai pour la prédiction du risque de cancer du sein sur une période de un à cinq ans. En se basant sur les différences entre les tissus mammaires gauche et droit, AsymMirai pourrait devenir un outil précieux pour les radiologues, facilitant des diagnostics plus précis et des prédictions de risque plus fiables. Cela pourrait potentiellement affecter la fréquence des mammographies à l’avenir, rendant les dépistages plus efficaces et mieux adaptés aux besoins individuels des patientes."