Voici la traduction française complète du rapport, tout en conservant le formatage Markdown et les marqueurs originaux:

Étude multicentrique sur la classification des lésions mammaires basée sur l’intelligence artificielle

Dans le domaine du cancer du sein, un diagnostic précoce est essentiel pour améliorer l’efficacité du traitement et le taux de survie. Le cancer du sein se divise principalement en deux catégories: le cancer in situ et le cancer infiltrant, qui diffèrent considérablement en termes de stratégies de traitement et de pronostic. Le taux d’atteinte ganglionnaire axillaire dans le cancer in situ est relativement faible (1-2%), et la biopsie du ganglion sentinelle (BGS) n’est pas recommandée. En revanche, pour le cancer infiltrant, la BGS ou le curage axillaire est nécessaire. Par conséquent, il est particulièrement important de pouvoir distinguer avec précision avant l’opération les lésions bénignes, malignes, in situ et infiltrantes.

La mammographie par rehaussement (MR) est une nouvelle technique qui gagne en popularité dans la pratique clinique en raison de sa capacité à refléter les caractéristiques vasculaires des lésions. Cependant, bien que la MR ait une sensibilité élevée pour les lésions malignes dans le diagnostic du cancer du sein, sa spécificité est loin d’être satisfaisante (66-84%). De plus, l’interprétation des examens d’imagerie conventionnels est influencée par l’expérience des radiologues, avec des différences importantes entre eux. Il est donc nécessaire de développer une méthode automatique, fiable et capable de distinguer de manière non invasive avant l’opération les lésions mammaires bénignes et malignes, ainsi que les cancers in situ et infiltrants.

L’apprentissage profond (deep learning) est une puissante technique d’intelligence artificielle (IA) qui suscite beaucoup d’intérêt en raison de ses performances exceptionnelles dans les tâches de reconnaissance d’images. Bien que des études antérieures aient appliqué l’apprentissage profond aux images MR pour prédire les lésions mammaires bénignes et malignes, ces études ont impliqué de petits échantillons et manquent de validation sur des données multicentriques pour évaluer leur capacité de généralisation. En outre, la valeur de l’application de l’apprentissage profond pour distinguer les cancers in situ et infiltrants reste incertaine.

Source de l’étude

Cette étude a été menée conjointement par des chercheurs de plusieurs hôpitaux et institutions de recherche du Shandong, du Guangdong, de Shanghai et de Pékin, notamment l’Hôpital Yureding de Yantai, l’Université du commerce du Shandong, l’Hôpital de médecine chinoise de Weifang, l’Hôpital mémorial Sun Yixian, l’Hôpital du cancer affilié à l’Université Fudan et l’Hôpital du cancer de Pékin. Les principaux auteurs sont Haicheng Zhang, Fan Lin, Tiantian Zheng, Jing Gao, entre autres. Ce papier a été publié le 18 janvier 2024 dans l’International Journal of Surgery.

Processus de recherche

Sujets de l’étude et ensemble de données

Cette étude a inclus 1430 patients éligibles qui ont subi un examen MR entre juin 2017 et juillet 2022. L’ensemble de données a été divisé en un ensemble de construction (n=1101), un ensemble de test interne (n=196) et un ensemble de test externe (n=133). Les sujets de l’étude étaient des patientes ayant subi un examen MR et dont les lésions mammaires avaient été confirmées histologiquement.

Traitement d’image et extraction de caractéristiques

Dans cette étude, le modèle d’IA a utilisé RefineNet comme réseau de base, et un sous-réseau d’attention appelé module d’attention de bloc convolutionnel (CBAM) a été construit sur le réseau de base pour optimiser les caractéristiques de manière adaptative. La sortie du CBAM a été appliquée à la couche de regroupement moyenne globale (GAP) pour générer les caractéristiques d’apprentissage profond optimisées des images MR.

Module de classification

Le module de classification a utilisé un classifieur XGBoost combiné aux caractéristiques d’apprentissage profond optimisées et aux caractéristiques cliniques pour un diagnostic préopératoire collaboratif des lésions mammaires bénignes et malignes. RefineNet et ResNet ont été utilisés respectivement comme modules d’extraction de caractéristiques du modèle, et les résultats ont montré que le premier était le meilleur.

Étude de lecture

Les médecins ont été invités à évaluer individuellement le caractère bénin ou malin des lésions mammaires, puis à réévaluer avec l’aide du modèle d’IA. Les résultats obtenus par un seul médecin et ceux obtenus par les médecins avec l’aide de l’IA ont été comparés pour évaluer l’amélioration de la capacité de diagnostic des médecins apportée par le modèle d’IA.

Exploration de la base biologique

Afin de révéler les bases biologiques de la prédiction de l’IA, une analyse des gènes a été réalisée sur les données de séquençage d’ARN de 12 patients. Les 12 patients ont été divisés en groupes à haut risque et à faible risque selon les prédictions de l’IA, et les gènes différentiellement exprimés ont été analysés et les voies enrichies identifiées à l’aide des packages R DESeq2 et ClusterProfiler.

Résultats de la recherche

Résultats principaux

Pour la distinction entre les lésions mammaires bénignes et malignes, le modèle d’IA a atteint une aire sous la courbe (AUC) de 0,932 sur l’ensemble de test externe, dépassant les performances du meilleur modèle d’apprentissage profond, du modèle radiomique et des radiologues. De plus, le modèle d’IA a également obtenu des résultats satisfaisants pour le diagnostic du cancer in situ et du cancer infiltrant (AUC de 0,788 à 0,824).

Base biologique

L’analyse de l’expression génique du groupe à haut risque et du groupe à faible risque a montré que le groupe à haut risque était associé à des voies telles que la matrice extracellulaire (ECM) et l’organisation tissulaire. Ces découvertes ont fourni un soutien à l’interprétation biologique du modèle d’IA.

Conclusion

Le modèle d’IA basé sur les images MR et les caractéristiques cliniques a démontré de bonnes performances prédictives dans le diagnostic des lésions mammaires, capable non seulement de distinguer efficacement les lésions bénignes et malignes, mais aussi de différencier davantage les cancers in situ et infiltrants. Cette étude a pour la première fois combiné les images MR pour la classification par IA et a exploré les bases biologiques du modèle d’IA, fournissant un soutien précieux pour la prise de décision clinique future.

Points forts de l’étude

1. Le modèle d’IA combine les caractéristiques d’apprentissage profond basées sur un mécanisme d’attention et les caractéristiques cliniques, offrant des performances exceptionnelles dans le diagnostic des lésions mammaires bénignes et malignes.
2. Il a permis une identification efficace du cancer du sein in situ et infiltrant.
3. Les bases biologiques du modèle d’IA ont été explorées en profondeur, révélant des voies géniques pertinentes.