Un modèle d'IA basé sur l'apprentissage profond identifie la propagation du cancer du sein sans chirurgie
infohightech ·
Un nouveau modèle d’apprentissage profond pourrait réduire le recours à la chirurgie pour diagnostiquer la propagation des cellules cancéreuses, notamment dans les ganglions lymphatiques voisins (également appelés métastases).
Développé par des chercheurs du centre médical Southwestern de l’Université du Texas, l’outil d’IA analyse des IRM chronologiques et des données cliniques pour identifier les métastases, fournissant ainsi aux médecins un soutien crucial et non invasif dans la planification du traitement. Cette avancée pourrait conduire à des évaluations du cancer plus rapides et plus précises, aidant de nombreux patients à éviter une intervention chirurgicale inutile et à améliorer les résultats.
Le cancer du sein métastatique est responsable de la majorité des décès liés au cancer du sein. Aux États-Unis, environ une femme sur trois diagnostiquée d'un cancer du sein à un stade précoce développe un cancer métastatique. Cependant, une détection et un traitement précoces peuvent ralentir la progression de la maladie, aider les médecins et les patients à gérer les symptômes et maximiser l'efficacité des traitements.
Les médecins ont souvent recours à la biopsie des ganglions sentinelles (GSN) pour vérifier si le cancer s'est propagé aux ganglions lymphatiques. La procédure consiste à injecter un colorant et une solution radioactive près du site du cancer pour identifier les ganglions sentinelles, qui se drainent d'abord dans la zone tumorale. Ces ganglions sont ensuite retirés chirurgicalement et biopsiés. Si des cellules cancéreuses sont trouvées dans les ganglions sentinelles, cela montre que le cancer se propage au système lymphatique et pourrait se propager davantage. Ces informations aident les médecins à déterminer le traitement le plus approprié pour le patient.
Bien que la GSN soit une méthode éprouvée, elle est invasive et comporte des risques liés à l'anesthésie, à l'exposition aux radiations, au gonflement, à la douleur et aux mouvements limités à proximité de l'incision.
Pour créer une alternative non invasive et fiable à la GSN, les chercheurs ont développé un réseau neuronal convolutionnel quadridimensionnel personnalisé (4D CNN). Ils ont entraîné le modèle à l'aide d'une IRM dynamique à contraste amélioré (DCE-MRI) ainsi que d'ensembles de données cliniques de 350 femmes récemment diagnostiquées d'un cancer du sein qui s'est propagé aux ganglions lymphatiques.
Les chercheurs ont utilisé le Nucleus Compute Cluster, qui fait partie de l'infrastructure de calcul haute performance du centre médical Southwestern de l'Université du Texas, pour créer et former le modèle complexe d'apprentissage en profondeur 4D utilisant les GPU NVIDIA A100 Tensor Core et NVIDIA V100 Tensor Core.
« Le modèle d'apprentissage profond que nous avons construit était un modèle 4D complexe et les GPU étaient essentiels pour que nous puissions atteindre un débit de formation élevé ainsi que pour notre pipeline de prétraitement des données pour l'amélioration de l'image et la réduction du bruit », a déclaré Paniz Karbasi, ingénieur HPC senior de NVIDIA, co-auteur de l'étude et ancien scientifique informatique au centre médical Southwestern de l'Université du Texas.
Figure 1. Une image IRM volumétrique dynamique avec contraste amélioré implique la délimitation de la tumeur, le recadrage à un volume cuboïde et l'amélioration de la tumeur en calculant les images de différence entre les points temporels
Ce modèle d'IA traite les données en quatre dimensions, en examinant les données des scanners IRM 3D tout en tenant compte des changements au fil du temps. Le modèle apprend les caractéristiques des tumeurs et des ganglions lymphatiques voisins en analysant plusieurs images au fil du temps et en intégrant des données cliniques telles que l'âge, le grade de la tumeur et les marqueurs du cancer du sein. Ce faisant, il peut identifier avec précision les schémas associés aux ganglions lymphatiques sans cancer ou affectés par le cancer.
« L’aspect le plus important de notre étude est que pour les données d’imagerie, nous nous concentrons uniquement sur les données liées à la tumeur primaire, sans aucune imagerie axillaire supplémentaire », a déclaré l’auteur principal de l’étude, Dogan Polat, résident en radiologie interventionnelle au Mount Sinai Health Systems. Le Dr Polat a dirigé l’étude alors qu’il était au centre médical Southwestern de l’Université du Texas. « Notre objectif est de réduire le besoin d’imagerie supplémentaire et de réduire le nombre de procédures invasives pour les patients », a déclaré le Dr Polat.
Il identifie les métastases ganglionnaires avec une précision de 89 %, surpassant les radiologues et autres modèles basés sur l'imagerie. Il a également le potentiel d'éviter aux patientes atteintes d'un cancer du sein de subir des biopsies inutiles du ganglion sentinelle et une dissection des ganglions lymphatiques axillaires (ALND), réduisant ainsi les risques, les complications et les ressources associées à la procédure.
Selon Dogan Polat, les prochaines étapes pour les chercheurs incluent le déploiement du modèle pour recueillir des données du monde réel, ce qui aidera à valider son efficacité et à identifier les domaines à affiner davantage et à appliquer plus largement.