Tracking Cancer Through Text: Longitudinal Extraction From Radiology Reports Using Open-Source Large Language Models

Cette étude présente un pipeline entièrement open-source et déployable localement, utilisant le modèle Qwen2.5-72b pour extraire avec une haute précision des données longitudinales sur les tumeurs à partir de rapports radiologiques, garantissant ainsi la confidentialité des données et la reproductibilité dans les environnements de soins de santé.

L'essentiel

Voici une explication simple de cette recherche, imagée comme si nous racontions une histoire de détective médical.

🕵️‍♂️ Le Grand Détective Numérique : Traquer le Cancer dans les Mots

Imaginez que les comptes rendus de radiologie (les rapports écrits par les médecins après un scanner) soient comme des journaux de bord d'un navire. Chaque fois qu'un patient revient pour un nouveau scan, le médecin écrit une nouvelle page dans ce journal. Il y décrit la taille des "monstres" (les tumeurs), si elles ont grossi, rétréci ou disparu grâce au traitement.

Le problème ? Ces journaux sont écrits en langage humain, avec des phrases compliquées, des tableaux manuscrits et des styles différents selon le médecin. Pour un ordinateur, c'est comme essayer de lire un livre écrit dans une langue qu'il ne connaît pas, avec des dessins illisibles.

🤖 La Solution : Un Robot Ouvrier Libre et Privé

Les chercheurs de l'Université Radboud (aux Pays-Bas) ont eu une idée brillante : utiliser une Intelligence Artificielle (IA) très puissante pour lire ces rapports et en extraire les chiffres importants automatiquement.

Mais il y avait un gros souci : les meilleures IA du monde sont souvent comme des châteaux privés. On ne peut pas les installer dans les hôpitaux car elles envoient les données des patients sur Internet, ce qui est dangereux pour la confidentialité.

Leur innovation ? Ils ont créé un outil 100% gratuit et ouvert (comme un plan de maison que tout le monde peut copier) qui fonctionne localement.

• Analogie : Imaginez un robot cuisinier que vous installez dans votre propre cuisine. Il prépare le repas (extrait les données) sans jamais envoyer la recette ou les ingrédients à un voisin. Tout reste chez vous, en toute sécurité.

🧩 Comment ça marche ? (Le Jeu de la Mémoire)

Le défi n'était pas seulement de lire un rapport, mais de relier les points dans le temps.

• Le problème : Si le médecin dit "le nodule A mesure 10 mm" en janvier, et "le nodule A mesure 8 mm" en mars, l'ordinateur doit comprendre qu'il s'agit du même nodule qui rétrécit.
• La méthode : L'IA (un modèle appelé Qwen) a reçu une mission spéciale. On lui a donné deux rapports à la fois (comme deux pages d'un album photo) et on lui a dit : "Regarde bien, trouve les mêmes tumeurs, compare leurs tailles et dis-moi si elles ont changé."

Ils ont utilisé un système appelé llm_extractinator, qui agit comme un traducteur ultra-précis. Il prend le texte désordonné du médecin et le transforme en un tableau de données parfait, prêt à être analysé par d'autres scientifiques.

📊 Les Résultats : Une Performance de Champion

Les chercheurs ont testé leur robot sur 50 paires de rapports (soit 100 comptes rendus au total). Le résultat ? C'est bluffant !

• Précision : L'IA a réussi à trouver les bonnes informations dans 93 à 95 % des cas. C'est presque aussi bien que deux médecins humains qui relisent le même document ensemble.
• Confidentialité : Comme tout se passe sur les ordinateurs de l'hôpital, aucune donnée de patient n'a fui.
• Réutilisabilité : Puisque l'outil est "open-source", n'importe quel hôpital dans le monde peut le télécharger et l'utiliser gratuitement pour faire la même chose.

💡 Pourquoi c'est important ?

Avant, pour étudier comment le cancer évolue sur des milliers de patients, il fallait des équipes entières de secrétaires pour lire manuellement des montagnes de papiers. C'était lent, cher et épuisant.

Grâce à cette invention :

1. On gagne du temps : L'IA lit des milliers de rapports en quelques minutes.
2. On sauve la vie : En ayant des données propres et rapides, les chercheurs peuvent mieux comprendre les traitements et aider les futurs patients.
3. On protège les secrets : Les données sensibles restent dans les murs de l'hôpital.

En résumé : Ces chercheurs ont construit un super-traducteur gratuit et privé qui transforme le langage complexe des médecins en données claires, permettant de suivre la guerre contre le cancer comme jamais auparavant, sans jamais compromettre la vie privée des patients.

Résumé technique

Voici un résumé technique détaillé de l'article « Tracking Cancer Through Text », rédigé en français :

Titre : Suivi du cancer par le texte : Extraction longitudinale à partir de rapports de radiologie utilisant des modèles de langage open-source

1. Problématique

Les rapports de radiologie constituent une source cruciale d'informations longitudinales sur la charge tumorale, la réponse au traitement et la progression de la maladie, souvent structurés selon des critères standardisés comme les critères RECIST (Response Evaluation Criteria in Solid Tumors). Cependant, leur format narratif non structuré et hétérogène rend l'analyse automatisée difficile.
Bien que les modèles de langage (LLM) aient considérablement amélioré le traitement du texte clinique, la plupart des systèmes de pointe sont propriétaires. Cela pose des problèmes majeurs dans le contexte de la santé, notamment en ce qui concerne la confidentialité des données (nécessité de garder les données sensibles dans l'enceinte de l'institution), la sécurité et la reproductibilité. De plus, les approches existantes traitent souvent les rapports comme des documents isolés, ignorant la nature longitudinale essentielle de l'interprétation oncologique (suivi des lésions dans le temps).

2. Méthodologie

L'étude propose un pipeline entièrement open-source et déployable localement pour extraire et lier des informations longitudinales à partir de rapports de radiologie néerlandais (CT Thorax/Abdomen).

• Données :

  • Un ensemble de données a été constitué à partir de rapports du Radboudumc (mars 2021 - mars 2025).
  • Après filtrage automatisé et revue manuelle, 50 paires de rapports (100 rapports individuels) de patients ayant plusieurs examens temporels ont été retenues pour l'évaluation.
  • Un sous-ensemble de 10 paires a servi à l'ingénierie des prompts (debug).

• Architecture Technique :

  • Framework : Utilisation de llm_extractinator, un framework open-source permettant l'extraction structurée via des fichiers de configuration JSON et une validation de schéma (Pydantic).
  • Modèle : Le modèle Qwen2.5-72b (version instruct) a été sélectionné après une évaluation comparative pour ses performances optimales sous contraintes de calcul.
  • Infrastructure : Inférence effectuée sur deux GPU NVIDIA A100 (40 Go chacun) avec un paramètre de température fixé à 0 pour garantir la reproductibilité.

• Ingénierie des Prompts (Prompt Engineering) :

  • Les rapports sont traités par paires concaténées pour permettre au modèle de raisonner sur la continuité temporelle et de distinguer les lésions persistantes, résolues ou nouvelles.
  • Le prompt inclut des exemples en contexte (in-context learning) illustrant le format des tableaux RECIST néerlandais.
  • Règles clés : identification des valeurs numériques valides, distinction entre identifiants d'images (SE-IMA) et tailles, catégorisation stricte (Lésions Cibles - TL, Lésions Non-Cibles - NTL, Nouvelles Lésions - NL), et attribution d'étiquettes stables basées sur la description anatomique.

• Analyse des Résultats :

  • Les sorties du LLM (JSON structuré) ont été comparées aux annotations manuelles de deux lecteurs indépendants.
  • L'évaluation porte sur trois attributs par lésion : cohérence de l'étiquette (lien temporel), précision de la taille (mm), et précision de l'identifiant DICOM (SE-IMA).

3. Contributions Clés

1. Pipeline Open-Source Reproductible : Première démonstration d'un pipeline d'extraction longitudinale entièrement open-source et déployable localement pour les rapports de radiologie, garantissant la confidentialité des données.
2. Nouvelle Formulation de Tâche : Définition d'une tâche d'extraction multi-temporelle qui lie les lésions à travers le temps conformément aux critères RECIST, au-delà de l'extraction de documents isolés.
3. Validation Quantitative : Une évaluation rigoureuse démontrant une haute précision tout en préservant la vie privée, comblant le fossé entre les modèles propriétaires et les solutions cliniques déployables.

4. Résultats

L'évaluation sur les 50 paires de rapports a montré des performances élevées :

• Précision au niveau des attributs :
  • Lésions Cibles (TL) : 93,7 % de précision.
  • Lésions Non-Cibles (NTL) : 94,9 % de précision.
  • Nouvelles Lésions (NL) : 94,0 % de précision.
• Précision globale de l'extraction :
  • 78,1 % des paires de rapports ont été extraites sans erreur pour les TL.
  • 88,0 % pour les NTL et 95,5 % pour les NL.
  • Dans 62,0 % des paires, tous les attributs ont été extraits sans aucune erreur.
• Accord inter-lecteurs : Le taux d'accord entre les deux lecteurs humains était élevé (93,3 %), indiquant que les erreurs du modèle n'étaient pas systématiquement dues à une ambiguïté humaine.

5. Signification et Discussion

Cette étude démontre que les LLM open-source peuvent atteindre un niveau de fiabilité suffisant pour la recherche clinique en oncologie, tout en résolvant les problèmes de confidentialité liés aux données sensibles.

• Défis relevés : Le modèle a bien géré la complexité du lien temporel et la variabilité du langage des radiologues.
• Limites identifiées :
  • Des erreurs se produisent lorsque les tableaux sont mal formatés (sauts de ligne, sections divisées), car le modèle perd les repères visuels.
  • La gestion des lésions "difficiles à mesurer" (marquées par des astérisques, "nm", ou des tirets) reste parfois inconsistante.
  • La cohérence des étiquettes pour les lésions non-cibles est légèrement inférieure, souvent due à des variations de description (ex: "ganglions multiples" vs liste individuelle) plutôt qu'à une défaillance du modèle.

Conclusion :
L'approche proposée valide la faisabilité d'utiliser des LLM locaux pour l'extraction de données longitudinales structurées à partir de texte clinique routinier. Cela ouvre la voie à des analyses rétrospectives à grande échelle, au développement de modèles d'IA sur des cohortes diverses et à une meilleure surveillance de la progression du cancer, le tout dans un cadre éthique et sécurisé.