Étude diagnostique sur la prédiction de la malignité des lésions BI-RADS US 4A chez les femmes à forte densité mammaire en combinant l’apprentissage profond avec les images mammographiques et échographiques

Contexte

Le cancer du sein est la tumeur maligne la plus fréquente chez les femmes, avec une incidence et un taux de mortalité élevés. Des études antérieures ont révélé que les femmes à forte densité mammaire sont plus susceptibles de développer un cancer du sein. Les recherches indiquent que la densité mammaire est généralement plus élevée chez les femmes asiatiques que chez les femmes afro-américaines et caucasiennes, d’où l’importance d’étudier les femmes asiatiques à forte densité mammaire.

La mammographie (MG) est considérée comme un outil important pour le dépistage du cancer du sein, permettant une réduction supposée de 30 % de la mortalité liée au cancer du sein. Cependant, les performances de la MG dans la détection des lésions mammaires chez les femmes à forte densité mammaire sont médiocres, avec une sensibilité réduite à 48 %-85 %, principalement en raison de l’obstruction glandulaire. Dans ce cas, l’échographie (US) joue un rôle indispensable dans le dépistage et le diagnostic des femmes à forte densité mammaire. L’examen combiné de l’US et de la MG chez les patientes à forte densité mammaire peut améliorer le taux de détection. Une méta-analyse a montré que l’US, en complément de la MG, peut augmenter en moyenne de 40 % le taux de détection des cancers du sein asymptomatiques.

Le cinquième édition du Breast Imaging Reporting and Data System (BI-RADS) du Collège américain de radiologie (ACR), publiée en 2013, subdivise les lésions de catégorie 4 en sous-catégories 4A, 4B et 4C, avec des probabilités de malignité différentes. Comme les lésions 4A ont un taux de malignité relativement faible, généralement de 2 % à 10 %, et qu’elles représentent la sous-catégorie la plus fréquente (55,6 %) des lésions de catégorie 4, la biopsie de routine entraînerait une anxiété inutile pour les patientes ainsi que des complications occasionnelles et des coûts médicaux. Dans la pratique clinique, les radiologues effectuent généralement une évaluation finale selon les normes BI-RADS, ce qui peut être influencé par l’interprétation subjective. Par conséquent, une méthode objective est nécessaire pour améliorer le diagnostic précoce des lésions mammaires BI-RADS 4A. L’intelligence artificielle (IA) peut identifier des informations complexes dans les images et pourrait ainsi fournir une solution alternative rapide et quantitative.

Source de l’article

Cet article a été rédigé par Yaping Yang, Ying Zhong, Junwei Li, Jiahao Feng, Chang Gong, Yunfang Yu, Yue Hu, Ran Gu, Hongli Wang, Fengtao Liu, Jingsi Mei, Xiaofang Jiang, Jin Wang, Qinyue Yao, Wei Wu, Qiang Liu et Herui Yao. La recherche a été réalisée conjointement par le Centre du cancer du sein de l’Hôpital universitaire des tumeurs de l’Université de médecine chinoise de Zhongshan et CellVision (Guangzhou) MedTech Co., Ltd. L’article a été publié en ligne le 12 février 2024 dans la revue internationale de premier plan International Journal of Surgery.

Méthodes de recherche

Flux de travail

Au total, 1210 femmes ont été recrutées, comprenant des cohortes rétrospectives et prospectives. Parmi elles, 992 patientes ont été réparties de manière aléatoire dans les cohortes d’entraînement (789) et de test (203) selon un ratio de 4:1. De plus, 218 patientes ont été recrutées pour former une cohorte de validation prospective. Lors de l’entraînement, le transfert d’apprentissage et l’échantillonnage aléatoire pondéré ont été adoptés pour résoudre le déséquilibre entre les échantillons positifs et négatifs et améliorer la capacité de généralisation du modèle. ResNet18 a été utilisé comme modèle de base d’apprentissage profond.

Prétraitement des données et conception expérimentale

Toutes les images d’échographie mammaire et de mammographie ont subi le même prétraitement de normalisation de résolution. Le modèle d’apprentissage profond a adopté une technique d’élimination des caractéristiques multimodales et une technique d’augmentation de données en ligne pour réduire le sur-apprentissage lors de l’entraînement du modèle. La performance du modèle a été évaluée par la courbe caractéristique de performance du récepteur (ROC) et son aire sous la courbe (AUC), en comparant la sensibilité et la spécificité des différents modèles pour prédire la malignité.

Analyse des données

Les caractéristiques clinico-pathologiques de base des patientes des cohortes d’entraînement, de test et de validation ont été présentées en fréquences et pourcentages. Pour traiter le déséquilibre des échantillons, l’échantillonnage aléatoire pondéré a été adopté lors de l’entraînement du modèle. La courbe ROC et l’AUC ont été utilisées pour évaluer la performance des différents modèles. En outre, l’analyse de la courbe de décision (DCA) a été utilisée pour quantifier l’utilité clinique du modèle à différents seuils de probabilité.

Résultats de la recherche

Caractéristiques de base

Au total, 1210 sujets ont été inclus dans l’étude, avec un âge médian de 44 ans, tous présentant des lésions BI-RADS US 4A confirmées et une forte densité mammaire. Les cohortes d’entraînement et de test étaient comparables en termes de résultats pathologiques, d’âge et de taille des lésions, mais différaient dans les antécédents familiaux et les caractéristiques d’imagerie. Le taux de malignité était de 8,7 % dans la cohorte d’entraînement, de 12,3 % dans la cohorte de test et de 9,2 % dans la cohorte de validation.

Performances du modèle

ResNet18 a été choisi comme modèle de base, présentant la plus haute sensibilité (92 %) et spécificité (88,2 %) dans la cohorte de test. Dans la cohorte de test, le modèle combiné avec les images US et MG a obtenu le meilleur score AUC de 0,940 (IC à 95 % : 0,874-1,000) pour prédire la malignité. Dans la cohorte de validation, le modèle combiné a également atteint un score AUC de 0,906 (IC à 95 % : 0,817-0,995).

Conclusion

Cette étude a développé un modèle d’apprentissage profond efficace et objectif, combinant les caractéristiques d’images US et MG, améliorant considérablement la précision de la prédiction de la malignité des lésions mammaires BI-RADS US 4A. Le modèle a montré des performances remarquables dans la réduction des biopsies inutiles. Il pourrait aider les cliniciens à prendre de meilleures décisions cliniques, évitant les biopsies inutiles et améliorant la reproductibilité et la fiabilité du flux de travail clinique.

Points forts de la recherche

1. Haute précision : le modèle a obtenu un score AUC élevé pour prédire la malignité des lésions mammaires BI-RADS US 4A.
2. Fusion multimodale : la combinaison des caractéristiques d’images US et MG s’est révélée nettement supérieure aux modes uniques.
3. Application de l’IA en imagerie médicale : démontrant le potentiel énorme de l’IA et de l’apprentissage profond pour améliorer la précision du diagnostic et réduire les facteurs subjectifs.

Importance de la recherche et valeur applicative

Cette étude fournit une méthode d’aide au diagnostic par IA efficace, combinant avec succès différentes modalités d’imagerie médicale et améliorant considérablement la précision et l’efficacité du diagnostic. En réduisant les biopsies inutiles, le modèle non seulement économise les ressources médicales, mais soulage également considérablement l’anxiété des patientes. Appliqué dans la pratique clinique à l’avenir, ce modèle pourrait devenir un outil précieux pour les médecins dans le diagnostic et le traitement du cancer du sein. Des validations plus étendues dans plusieurs centres sont nécessaires à l’avenir pour renforcer davantage la généralisation et l’applicabilité clinique du modèle.