Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals

L'article présente le BUSD-Agent, un cadre multi-agents auto-adaptatif guidé par l'expérience pour le dépistage et le diagnostic du cancer du sein par échographie, qui réduit significativement les références inutiles à la biopsie en filtrant les cas bénins et en ajustant dynamiquement les seuils de décision grâce à la récupération de trajectoires décisionnelles historiques.

L'essentiel

Imaginez que le dépistage du cancer du sein par échographie est comme une grande fête de bienvenue dans un hôpital. L'objectif est de repérer les invités qui pourraient causer des problèmes (les tumeurs malignes) tout en laissant passer tranquillement les gens inoffensifs (les cas bénins ou normaux).

Le problème actuel, c'est que les gardes de sécurité (les logiciels d'IA classiques) sont souvent trop paranoïaques. Ils arrêtent presque tout le monde pour une fouille approfondie (une biopsie), ce qui crée des files d'attente interminables, stresse les patients et épuise les médecins.

Voici comment les auteurs de cette recherche, avec leur invention appelée BUSD-Agent, ont changé la donne en utilisant une approche intelligente et "expérimentée".

1. Le concept : Une équipe à deux niveaux (Le Portier et L'Expert)

Au lieu d'avoir un seul garde qui décide de tout, BUSD-Agent fonctionne comme une équipe de deux personnes qui se relaient :

• Le "Portier" (Agent de Dépistage) : C'est un agent léger et rapide. Son travail est de regarder l'échographie et de dire : "Tout semble calme, passez !" ou "Attendez, il y a quelque chose de suspect, envoyez-le à l'expert."
  • L'analogie : Imaginez un portier de boîte de nuit qui ne regarde que si quelqu'un a l'air très énervé. S'il a l'air calme, il le laisse entrer sans fouiller.
• L'"Expert" (Agent de Diagnostic) : Si le Portier envoie quelqu'un, l'Expert prend le relais. Lui, il a une loupe, un microscope et un carnet de notes très détaillé. Il analyse la forme, les bords et la texture de la tumeur pour décider si une biopsie (une petite prise de tissu) est vraiment nécessaire.

2. La magie : L'agent qui apprend de son passé (La Mémoire)

C'est ici que la vraie innovation réside. Les systèmes classiques sont comme des robots qui oublient tout après chaque décision. Ils appliquent toujours les mêmes règles rigides.

BUSD-Agent, lui, a une mémoire incroyable.

• La Bibliothèque des Cas Passés : Chaque fois qu'un patient a eu une biopsie et qu'on a confirmé le résultat (c'était bénin ou cancéreux), cette histoire est écrite dans un grand livre de mémoire. Ce livre contient non seulement l'image, mais aussi ce que le Portier et l'Expert ont pensé à l'époque.
• L'Intuition Expérimentée : Quand un nouveau patient arrive, l'agent ne se contente pas de regarder l'image actuelle. Il va chercher dans sa bibliothèque les 10 histoires les plus similaires (mêmes images, mêmes doutes).
  • L'analogie : C'est comme un détective privé qui, face à un nouveau cas, consulte son carnet pour voir : "La dernière fois qu'on a vu ce genre de tache bizarre, c'était juste une cicatrice bénigne. Je vais donc être plus calme cette fois-ci."

3. Le résultat : Moins de panique, plus de précision

Grâce à cette capacité à se souvenir de ses erreurs et de ses succès passés, l'agent s'adapte sans avoir besoin d'être reprogrammé (pas besoin de changer ses "câbles" internes).

• Moins de fausses alarmes : L'agent apprend à faire confiance à ses outils quand les cas ressemblent à des cas bénins passés. Il arrête d'envoyer tout le monde chez l'expert.
• Le bilan chiffré :
  • Avant : 85 % des cas étaient envoyés à l'expert (trop !).
  • Après : Seulement 59 % sont envoyés.
  • Résultat : On évite des biopsies inutiles pour des milliers de femmes, on réduit le stress des patients et on libère du temps pour les médecins qui s'occupent des vrais cas graves.

En résumé

Imaginez un système de sécurité qui, au lieu de fouiller chaque valise au hasard, consulte un carnet de bord pour dire : "Ah, cette valise ressemble à celle de l'an dernier qui contenait juste des chaussettes. Je la laisse passer."

C'est exactement ce que fait BUSD-Agent : il utilise l'expérience accumulée pour devenir plus sage, plus confiant et beaucoup plus efficace, permettant de soigner les patients avec plus de justesse et moins de douleur inutile.

Résumé technique

1. Problématique

Le dépistage du cancer du sein par échographie est un outil crucial, notamment pour les femmes ayant un tissu mammaire dense. Cependant, les systèmes actuels souffrent d'un manque de spécificité, entraînant un taux élevé de faux positifs. Cela se traduit par :

• Une escalade diagnostique excessive (trop de cas bénins envoyés vers des cliniques de diagnostic spécialisées).
• Un nombre important de biopsies inutiles, procédés invasifs coûteux et source de détresse psychologique pour les patientes.
• Une surcharge de travail pour les radiologues et des délais d'attente pour les patients réellement suspects.

L'objectif est de développer un système capable de réduire ces escalades inutiles et ces biopsies tout en préservant la sensibilité (ne pas manquer de cancers).

2. Méthodologie : Le Framework BUSD-Agent

Les auteurs proposent BUSD-Agent, un cadre multi-agents en cascade guidé par l'expérience. Le système fonctionne en deux étapes sélectives et intègre un mécanisme d'adaptation "in-context" (dans le contexte) basé sur la mémoire.

A. Architecture en Cascade

Le processus imite le flux clinique réel :

1. Agent de Dépistage (Screening Clinic Agent) :
   • Rôle : Filtrer les cas bénins et normaux.
   • Outils : Utilise un panel de 14 modèles de classification (CNN et Transformers comme ConvNeXt, Swin, ViT, etc.).
   • Mécanisme : Un orchestrateur LLM (GPT-4o) agrège les prédictions et les scores de confiance via un vote majoritaire pour prendre une décision binaire : "Clair" (pas d'escalade) ou "Suspect" (escalade).
2. Agent de Diagnostic (Diagnostic Clinic Agent) :
   • Rôle : Analyser les cas suspects et décider de la nécessité d'une biopsie.
   • Outils : Intègre des outils de perception et de description radiologique plus riches : détection de boîtes englobantes, segmentation (U-Net, YOLOv11), génération de rapports structurés (MedGemma-4B), et prédiction d'attributs (BIRADS, contours, échogénicité, calcifications).
   • Mécanisme : L'LLM utilise un cycle de raisonnement (ReAct) pour analyser les données visuelles et textuelles afin de prendre une décision finale sur la biopsie.

B. Adaptation Guidée par l'Expérience (Experience-Guided In-Context Adaptation)

C'est l'innovation centrale du papier. Contrairement aux systèmes statiques, BUSD-Agent s'adapte dynamiquement sans mettre à jour ses paramètres (weights).

• Banque de Mémoire (Memory Bank) : Stocke les trajectoires de décision historiques validées par la pathologie (images, embeddings, prédictions des modèles, actions de l'agent, et résultats finaux).
• Récupération (Retrieval) : Pour un nouveau cas, le système récupère les $K$ cas les plus similaires dans la banque de mémoire.
  • Similarité : Calculée sur un espace de caractéristiques conjoint incluant les embeddings d'image et les vecteurs de confiance de malignité (pour le dépistage) ou les attributs radiologiques (pour le diagnostic).
• Adaptation du Policy : L'agent utilise ces exemples passés (in-context learning) pour ajuster sa confiance envers certains modèles ou ses seuils d'escalade. Par exemple, si des cas visuellement similaires ont été historiquement bénins malgré une prédiction de malignité élevée, l'agent peut décider de ne pas escalader le cas actuel.

3. Contributions Clés

1. Framework Multi-Agents en Cascade : Une architecture qui sépare le dépistage (léger, rapide) du diagnostic (complet, analytique), mimant le triage clinique.
2. Mécanisme d'Adaptation par Expérience : Une méthode novatrice permettant aux agents d'apprendre de leurs erreurs et succès passés via la récupération de trajectoires structurées, ajustant ainsi la confiance dans les outils et les seuils de décision dynamiquement.
3. Benchmark VLM : La première évaluation comparative de 10 modèles VLM (propriétaires et open-source) dans ce contexte, démontrant leurs limites sans l'assistance d'outils spécialisés.
4. Réduction des Biopsies : Une approche qui réduit significativement les références inutiles tout en maintenant la sensibilité.

4. Résultats Expérimentaux

L'évaluation a été menée sur 10 jeux de données d'échographie mammaire (incluant BUSI, BUS-BRA, US3M, etc.).

• Réduction de l'escalade diagnostique : Le taux d'escalade (cas envoyés au diagnostic) est passé de 84,95 % (baseline) à 58,72 % avec BUSD-Agent.
• Réduction des biopsies : Le taux global de références de biopsie a chuté de 59,50 % à 37,08 %.
• Amélioration de la Spécificité :
  • Spécificité du dépistage augmentée de 68,48 % en moyenne.
  • Spécificité du diagnostic augmentée de 6,33 %.
• Préservation de la Sensibilité : La détection des vrais positifs (cancers) n'a pas été compromise (baisse négligeable de -0,15 % pour les vrais positifs au dépistage).
• Comparaison VLM : Le framework BUSD-Agent surpasse tous les modèles VLM seuls (GPT-4o, Gemini, Llama, etc.) en termes de précision équilibrée (Balanced Accuracy), car ces derniers manquent de stabilité et de capacité à gérer le compromis sensibilité/spécificité sans outils externes.

5. Signification et Impact

Ce travail démontre qu'il est possible de créer des systèmes d'IA médicaux auto-améliorants sans réentraînement coûteux des modèles (fine-tuning). En exploitant l'historique des décisions validées par la pathologie, le système apprend à mieux distinguer les faux positifs des vrais positifs.

L'impact clinique potentiel est majeur :

• Réduction de la charge de travail pour les radiologues et les cliniques de diagnostic.
• Diminution de l'anxiété des patientes et des coûts associés aux biopsies inutiles.
• Optimisation des ressources permettant un accès plus rapide aux soins pour les patientes présentant de véritables lésions suspectes.

En résumé, BUSD-Agent représente une avancée significative vers des systèmes de dépistage plus intelligents, sûrs et économiquement viables, capables de s'adapter dynamiquement à la complexité des données médicales.