L'IA d'IBM peut prédire quels sont les patients susceptibles de développer un cancer du sein malin d'ici un an


Aux États-Unis, environ 12% des femmes développeront un cancer du sein invasif au cours de leur vie et on estime que 268 000 nouveaux cas devraient être diagnostiqués d’ici à 2020 seulement. Heureusement, le taux moyen de survie à cinq ans est assez élevé – 85 à 99%, selon l'American Cancer Society – tout comme le taux de survie moyen à 10 ans (83%). Mais comme toujours, la détection précoce fait la différence.

À cette fin, dans une publication publiée ce mois-ci dans la revue, des scientifiques d’IBM Research basés à Haïfa (Israël) détaillent un modèle d’IA capable de prédire l’évolution du cancer du sein malin chez les patientes d’ici un an. Les résultats examinés par les pairs montrent que leur système prévoit correctement le développement de 87% et 77% des cas cancéreux et bénins, respectivement. De plus, formé sur un nouveau corpus de 9 611 mammographies et dossiers de santé, il a été en mesure d'identifier le cancer du sein chez 48% des personnes qui n'auraient autrement pas été signalées, avec une précision comparable à celle des radiologistes (telle que définie par la référence américaine en matière de dépistage). mammographie numérique).

Les travaux de l’équipe de Haïfa s’appuient sur un projet mené par des scientifiques du bureau IBM de Zurich et de l’Université de Zurich, qui a mis au point un système capable de détecter et de classer les cellules tumorales et immunitaires ainsi que leurs relations. Des efforts similaires pour améliorer la précision du dépistage du cancer du sein sont en cours à, et.

«Notre modèle pourrait un jour aider les radiologistes à confirmer ou infirmer les cas positifs de cancer du sein», a écrit Michal Chorev, membre du personnel d'IBM Research et co-auteur du livre. Radiologie papier, dans un post de blog. "Alors que les faux positifs peuvent causer énormément de stress et d'anxiété, les faux négatifs peuvent souvent entraver la détection précoce d'un cancer et son traitement ultérieur."

Ci-dessus: Le modèle d’IA pour le cancer du sein des chercheurs.

Crédit d'image: radiologie

Pour compiler un ensemble de données de formation, Chorev et ses collègues ont obtenu des images de mammographie désidentifiées, associées à des données cliniques et à des biomarqueurs correspondant aux dossiers de santé électroniques des patients, notamment la fonction thyroïdienne, les antécédents en matière de reproduction, les globules blancs, le syndrome métabolique et les autres informations. Ils ont alimenté ces données (qui comprenaient également des suivis de biopsies, des données de registre de cancer, des résultats de laboratoire et des codes pour diverses autres procédures et diagnostics) dans un modèle d’apprentissage automatique permettant de cartographier les liens entre les facteurs de risque cliniques afin d’anticiper le cancer de la biopsie et de différencier les comportements normaux des patients. examens de dépistage anormaux.

En ce qui concerne les examens mammographiques, l’équipe a principalement utilisé les vues craniocaudale (CC) et oblique médio-latérale (MLO) – deux vues standard de la mammographie souvent comparées pour évaluer les lésions – fournies par les fournisseurs de soins de santé israéliens Maccabi Health Services et le Centre médical Assuta. Au final, leur ensemble de données contenait 52 936 images de 13 234 femmes ayant subi au moins une mammographie entre 2013 et 2017 et qui avaient des dossiers médicaux pendant au moins un an avant la mammographie.

Un algorithme d'intelligence artificielle formé aux mammographies pour chaque tâche de prédiction et extrait les probabilités de ces tâches, ainsi que celles des tâches d'imagerie pour chaque vue. Enfin, ils ont concaténé les fonctions d’imagerie ainsi que l’ensemble des caractéristiques cliniques en une seule représentation des seins des patientes. La probabilité finale d'une biopsie positive du cancer ou d'une différenciation normale / anormale a été estimée à l'aide d'un modèle d'IA distinct.

Les chercheurs ont déclaré que leur système utilisait des facteurs cliniques susceptibles de contribuer à un risque élevé, mais qu'ils n'avaient pas déjà été utilisés, tels que les profils de globules blancs et les tests de la fonction thyroïdienne. "Nous prévoyons de continuer à analyser ces éléments de risque clinique afin de mieux comprendre leur impact et leurs liens avec le risque personnalisé d'un individu", a ajouté Chorev.