IA et mammographie

Les mammographies sont un moyen courant mais imparfait d'évaluer le risque de cancer du sein. Les directives actuelles de dépistage du cancer du sein aux États-Unis utilisent toutes une composante d'évaluation du risque de cancer pour éclairer l'évolution clinique.

Yala et al. a développé un modèle d'apprentissage automatique appelé « Mirai » pour prédire le risque de cancer du sein sur la base de mammographies traditionnelles. Le modèle de risque des auteurs a donné de meilleurs résultats que Tyrer-Cuzick et les modèles d'apprentissage en profondeur précédents pour identifier à la fois le risque de cancer du sein à 5 ans et les patientes à haut risque dans plusieurs cohortes internationales.

Mirai a également obtenu des résultats similaires dans toutes les catégories de race et d'ethnicité, suggérant le potentiel d'amélioration des soins aux patients à tous les niveaux.

Des modèles améliorés de risque de cancer du sein permettent des stratégies de dépistage ciblées qui permettent une détection plus précoce et moins de dommages de dépistage que les lignes directrices existantes.

Pour apporter des modèles de risque d'apprentissage en profondeur à la pratique clinique, nous devons affiner davantage leur précision, les valider auprès de diverses populations et démontrer leur potentiel pour améliorer les flux de travail cliniques.

Nous avons développé Mirai, un modèle d'apprentissage en profondeur basé sur la mammographie conçu pour prédire le risque à plusieurs moment, tirer parti des informations potentiellement manquantes sur les facteurs de risque et produire des prédictions cohérentes entre les machines de mammographie.

Mirai a été formée sur un vaste ensemble de données du Massachusetts General Hospital (MGH) aux États-Unis et testée sur des ensembles de tests conservés par le MGH, le Karolinska University Hospital en Suède et le Chang Gung Memorial Hospital (CGMH) à Taïwan, obtenant des indices C. de 0,76 (intervalle de confiance à 95 %, 0,74 à 0,80), 0,81 (0,79 à 0,82) et 0,79 (0,79 à 0,83), respectivement.

Mirai a obtenu des AUC ROC à 5 ans significativement plus élevées que le modèle Tyrer-Cuzick ( P < 0,001) et les modèles d'apprentissage en profondeur antérieurs Hybrid DL ( P < 0,001) et Image-Only DL ( P < 0,001), entraînés sur le même ensemble de données.

Mirai a identifié les patients à haut risque avec plus de précision que les méthodes précédentes dans tous les ensembles de données. Sur l'ensemble de tests MGH, 41,5% (34,4 à 48,5) des patients qui développeraient un cancer dans les 5 ans ont été identifiés comme à haut risque, contre 36,1% (29,1 à 42,9) par Hybrid DL (P = 0,02) et 22,9% (15,9 à 29,6) par le modèle Tyrer-Cuzick ( P < 0,001).

This is just some placeholder text. Click to edit it.
This is just some placeholder text. Click to edit it.
This is just some placeholder text. Click to edit it.