Utilisation d'un algorithme d'apprentissage automatique pour diagnostiquer avec précision le cancer du sein

Utilisation d'un algorithme d'apprentissage automatique pour diagnostiquer avec précision le cancer du sein
4.8 (96.92%) 26 votes


Le cancer du sein est la principale cause de décès par cancer chez les femmes. Il est également difficile à diagnostiquer. Près d'un cancer sur dix est diagnostiqué à tort comme non cancéreux, ce qui signifie qu'un patient peut perdre un temps de traitement critique. D'autre part, plus une femme a une mammographie, plus elle aura de chances d'obtenir un résultat faussement positif. Après 10 ans de mammographies annuelles, environ deux patients sur trois non atteints de cancer se verront dire qu'ils le seraient et subiraient une intervention invasive, très probablement une biopsie.

L'élastographie par ultrasons mammaires est une technique d'imagerie émergente qui fournit des informations sur une lésion mammaire potentielle en évaluant sa rigidité de manière non invasive. En utilisant des informations plus précises sur les caractéristiques d'une lésion du sein cancéreuse par rapport à une lésion du sein non cancéreuse, cette méthodologie a démontré plus de précision que les modes d'imagerie traditionnels.

Au cœur de cette procédure, cependant, se trouve un problème de calcul complexe qui peut être fastidieux et fastidieux à résoudre. Mais que se passe-t-il si, au lieu de cela, nous nous appuyons sur un algorithme?

Assad Oberai, professeur au département de génie aérospatial et mécanique de l’Université Viterbi de l’ingénierie Viterbi, a posé cette question précise dans le document de recherche intitulé "Contourner la solution des problèmes inverses de la mécanique grâce à l’apprentissage en profondeur: application à l’imagerie d’élasticité", publié dans Méthodes informatiques en mécanique appliquée et en génie. En collaboration avec une équipe de chercheurs, notamment Dhruv Patel, étudiant au doctorat de l'USC Viterbi, Oberai a notamment examiné les points suivants: Pouvez-vous former une machine à interpréter des images du monde réel à l'aide de données synthétiques et rationaliser les étapes du diagnostic? Selon Oberai, la réponse est probablement oui.

Dans le cas de l'élastographie par ultrasons mammaires, une fois qu'une image de la zone touchée est prise, elle est analysée pour déterminer les déplacements à l'intérieur du tissu. En utilisant ces données et les lois physiques de la mécanique, on détermine la distribution spatiale des propriétés mécaniques – ainsi que leur rigidité. Après cela, il faut identifier et quantifier les caractéristiques appropriées de la distribution, ce qui conduit finalement à une classification de la tumeur comme maligne ou bénigne. Le problème est que les deux dernières étapes sont complexes sur le plan informatique et présentent un défi inhérent.

Au cours de la recherche, Oberai a cherché à déterminer s’ils pouvaient ignorer entièrement les étapes les plus complexes de ce flux de travail.

Le tissu mammaire cancéreux a deux propriétés principales: l'hétérogénéité, ce qui signifie que certaines zones sont molles et certaines sont fermes, et l'élasticité non linéaire, ce qui signifie que les fibres offrent beaucoup de résistance lorsqu'elles sont tirées au lieu des pertes initiales associées aux tumeurs bénignes. Sachant cela, Oberai a créé des modèles basés sur la physique qui montraient différents niveaux de ces propriétés clés. Il a ensuite utilisé des milliers d'entrées de données dérivées de ces modèles afin de former l'algorithme d'apprentissage automatique.

Données synthétiques versus données réelles

Mais pourquoi utiliseriez-vous des données synthétiques pour entraîner l'algorithme? Les vraies données ne seraient-elles pas meilleures?

Si vous disposiez de suffisamment de données, vous ne le feriez pas. Mais dans le cas de l'imagerie médicale, vous avez de la chance si vous avez 1 000 images. Dans des situations comme celles-ci, où les données sont rares, ce type de techniques devient important. "

Assad Oberai, USC Viterbi School of Engineering

Oberai et son équipe ont utilisé environ 12 000 images de synthèse pour former leur algorithme d'apprentissage automatique. Ce processus est similaire à bien des égards au fonctionnement du logiciel d’identification photo, apprenant par des entrées répétées comment reconnaître une personne particulière dans une image, ou comment notre cerveau apprend à classer un chat par rapport à un chien. Grâce à suffisamment d'exemples, l'algorithme est capable de glaner différentes caractéristiques inhérentes à une tumeur bénigne par rapport à une tumeur maligne et d'effectuer la détermination correcte.

Oberai et son équipe ont atteint une précision de classification de près de 100% sur d'autres images synthétiques. Une fois que l'algorithme a été formé, ils l'ont testé sur des images du monde réel afin de déterminer son degré de précision dans l'établissement d'un diagnostic, en mesurant ces résultats par rapport aux diagnostics confirmés par biopsie associés à ces images.

"Nous avions un taux de précision d'environ 80%. Ensuite, nous continuons d'affiner l'algorithme en utilisant davantage d'images du monde réel comme entrées", a déclaré Oberai.

Changer la façon dont les diagnostics sont faits

L'apprentissage machine est un outil important pour faire avancer le paysage en matière de détection et de diagnostic du cancer, et ce, à deux égards prédominants. Premièrement, les algorithmes d’apprentissage automatique peuvent détecter des modèles qui pourraient être opaques pour l’homme. Grâce à la manipulation de nombreux modèles de ce type, l'algorithme peut produire un diagnostic précis. Deuxièmement, l’apprentissage automatique offre une chance de réduire les erreurs entre opérateurs.

Alors, est-ce que cela remplacerait le rôle du radiologue dans la détermination du diagnostic? Définitivement pas. Oberai ne prévoit pas un algorithme servant d’arbitre unique en matière de diagnostic du cancer, mais plutôt un outil permettant de guider les radiologues vers des conclusions plus précises. "Le consensus général est que ces types d'algorithmes ont un rôle important à jouer, y compris auprès des professionnels de l'imagerie sur lesquels il aura le plus d'impact. Cependant, ces algorithmes seront des plus utiles s'ils ne servent pas de boîtes noires", a déclaré Oberai. "Qu'est-ce qu'il a vu qui l'a conduit à la conclusion finale? L'algorithme doit pouvoir être expliqué pour qu'il fonctionne comme prévu."

Adapter l'algorithme pour d'autres cancers

Parce que le cancer provoque différents types de changements dans les tissus qu’il affecte, la présence d’un cancer dans un tissu peut en définitive conduire à une modification de ses propriétés physiques, par exemple une modification de la densité ou de la porosité. Ces changements peuvent être perçus comme un signal dans les images médicales. Le rôle de l’algorithme d’apprentissage automatique est de sélectionner ce signal et de l’utiliser pour déterminer si un tissu donné qui est imagé est cancéreux.

En s'appuyant sur ces idées, Oberai et son équipe travaillent avec Vinay Duddalwar, professeur de radiologie clinique à la Keck School of Medicine de l'USC, afin de mieux diagnostiquer le cancer du rein grâce à des images TDM à contraste renforcé. En utilisant les principes identifiés lors de la formation de l'algorithme d'apprentissage automatique pour le diagnostic du cancer du sein, ils cherchent à former cet algorithme sur d'autres caractéristiques pouvant être mises en évidence dans les cas de cancer du rein, telles que des modifications tissulaires reflétant les modifications spécifiques du cancer dans la microvascularisation du patient. , le réseau de microvaisseaux qui aident à distribuer le sang dans les tissus.

La source:

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *