Artificial Intelligence in Mammography Screening in Norway (AIMS Norway): Protocol for a randomized controlled trial

L'essai contrôlé randomisé AIMS Norway évalue si une stratégie de lecture assistée par l'intelligence artificielle, qui adapte le nombre de radiologistes selon le risque, est non inférieure à la double lecture indépendante standard pour le dépistage du cancer du sein en Norvège.

L'essentiel

🎬 Le Film : "L'IA à la rescousse du dépistage du cancer du sein en Norvège"

Imaginez que le dépistage du cancer du sein est comme un immense tamis qui trie des millions de grains de sable (les mammographies) pour trouver quelques pépites d'or (les cancers).

Actuellement, en Norvège, ce tamis est géré par deux équipes de gardiens très attentifs (les radiologues). Chaque grain de sable est examiné deux fois, indépendamment, par deux personnes différentes. C'est une méthode très sûre, mais elle demande beaucoup de monde et prend beaucoup de temps. Or, il y a une pénurie de radiologues et de plus en plus de femmes à examiner. C'est comme essayer de remplir un barrage avec un seul seau d'eau : ça risque de ne pas suffire !

C'est là que l'Intelligence Artificielle (IA) entre en scène.

---

🤖 Le Problème : Trop de "grains de sable", pas assez de gardiens

Dans ce dépistage :

• 99 % des examens sont normaux (ce sont des grains de sable sans pépite).
• Seulement 1 % révèle un problème.
• Les radiologues passent donc énormément de temps à regarder des images normales, ce qui est épuisant et inefficace.

Les chercheurs se demandent : "Peut-on utiliser une IA intelligente pour trier les grains de sable, afin que les humains ne se concentrent que sur les plus suspects, sans pour autant rater les pépites d'or ?"

---

🧪 L'Expérience : Le Grand Test (L'essai clinique AIMS)

Pour répondre à cette question, les chercheurs norvégiens ont lancé un grand test appelé AIMS Norway. C'est comme un match de football où l'on compare deux équipes pour voir si l'une est aussi bonne que l'autre.

1. Les deux équipes

Des milliers de femmes volontaires sont invitées à participer. Elles sont tirées au sort pour rejoindre l'une des deux équipes :

• L'Équipe "Traditionnelle" (Groupe Témoin) :

  • C'est la méthode actuelle.
  • Deux radiologues humains regardent chaque image séparément, sans aide de l'IA.
  • Si l'un des deux dit "ça a l'air bizarre", ils en parlent ensemble pour décider.

• L'Équipe "Nouvelle Technologie" (Groupe Intervention) :

  • Ici, l'IA (un logiciel appelé Transpara) regarde d'abord chaque image et lui donne un score de risque de 1 à 10, comme une note sur 10.
  • Si la note est basse (1 à 7) : L'IA dit "Tout va bien, c'est très probablement normal". Un seul radiologue humain vérifie rapidement.
  • Si la note est haute (8 à 10) : L'IA dit "Attention, il y a un risque". Deux radiologues humains regardent alors l'image ensemble, comme dans l'équipe traditionnelle.
  • Le petit secret : Les radiologues ne voient pas le score de l'IA quand ils commencent à regarder. Ils doivent faire leur travail "à l'aveugle" pour ne pas être influencés par la machine. Ce n'est que plus tard, lors d'une réunion de consensus, qu'ils voient ce que l'IA a pensé.

2. L'Objectif du match

Le but n'est pas de voir quelle équipe trouve plus de cancers (car on veut être sûr de ne rien rater), mais de prouver que l'équipe avec l'IA est aussi bonne que l'équipe traditionnelle.

• Si l'équipe avec l'IA trouve autant de cancers que l'autre, alors c'est une victoire ! On aura gagné du temps et de l'énergie sans perdre en sécurité.
• Si elle en trouve moins, alors le test échoue.

---

🛡️ Pourquoi faire ça ? (Les avantages)

Imaginez que vous êtes un chef de cuisine (le radiologue).

• Avant : Vous devez goûter 1000 assiettes de riz blanc pour trouver une seule assiette qui a un grain de sable. C'est fastidieux.
• Avec l'IA : Un robot goûte d'abord le riz. Il vous dit : "Les 700 premières assiettes sont parfaites, passez-les vite. Les 300 dernières ont un goût étrange, venez les goûter vous-mêmes avec un second chef."

Résultat potentiel :

1. Moins de fatigue pour les médecins.
2. Plus de rapidité pour les patientes.
3. Même sécurité : on ne rate pas le grain de sable (le cancer).

⚠️ Les précautions prises

Les chercheurs sont très prudents :

• Ils ne remplacent pas l'humain par la machine. L'IA est un assistant, pas un patron.
• Si l'IA est très inquiète, deux humains vérifient toujours.
• Si l'IA est très rassurée, un humain vérifie quand même (pour être sûr).
• Un comité de surveillance veille à ce que tout se passe bien et que les femmes soient en sécurité.

🏁 En résumé

Ce document décrit un grand test en Norvège pour voir si l'on peut utiliser l'intelligence artificielle pour aider les médecins à lire les mammographies plus vite, sans sacrifier la sécurité des femmes.

C'est comme essayer de trouver un meilleur système de tri pour un aéroport : on veut que les bagages suspects soient inspectés par deux agents, et les bagages normaux par un seul, guidés par un scanner intelligent, pour que tout le monde passe plus vite sans risque de laisser passer une bombe.

Si le test réussit, cela pourrait changer la façon dont le cancer du sein est dépisté dans le monde entier, rendant le système plus durable face à la pénurie de médecins.

Résumé technique

1. Problématique et Contexte

Le dépistage du cancer du sein par mammographie fait face à des défis majeurs de durabilité et d'efficacité :

• Pénurie de radiologues : Une carence mondiale de spécialistes en radiologie mammaire menace la capacité des programmes de dépistage.
• Volume de travail inefficace : La grande majorité des mammographies (plus de 99 %) sont normales, ce qui entraîne une surcharge de travail pour les radiologues qui doivent lire chaque examen en double lecture indépendante.
• Limites de la lecture humaine : Des analyses rétrospectives montrent qu'une proportion significative de cancers (jusqu'à 25 %) est manquée lors de la lecture initiale ou visible rétrospectivement sur des images antérieures.
• Objectif : L'intelligence artificielle (IA) est envisagée comme un outil pour optimiser l'allocation des ressources, améliorer l'efficacité du flux de travail et maintenir, voire améliorer, la performance diagnostique.

2. Méthodologie

Il s'agit d'un essai contrôlé randomisé (ECR), parallèle, non inférieur et à simple aveugle, mené dans le cadre du programme national de dépistage BreastScreen Norway.

• Population : Femmes âgées de 50 à 69 ans invitées au dépistage dans les autorités régionales de santé de l'Ouest, du Centre et du Nord de la Norvège.
• Design de l'étude :
  • Groupe Témoin (Contrôle) : Lecture standard par deux radiologues indépendants, suivie d'une réunion de consensus si nécessaire. L'analyse par IA est effectuée rétrospectivement uniquement à des fins de recherche.
  • Groupe Intervention : Les mammographies sont analysées par l'IA Transpara® (dispositif CE de classe IIb) avant la lecture humaine.
    • Score IA 1–7 (Risque faible) : Lecture par un seul radiologue.
    • Score IA 8–10 (Risque intermédiaire/élevé) : Lecture par deux radiologues indépendants.
    • Aveugle : Les radiologues sont aveugles aux scores et aux marquages de l'IA lors de la lecture initiale. Ces informations ne sont révélées que lors des réunions de consensus.
• Critère de jugement principal : Le nombre de cancers du sein détectés lors du dépistage (carcinomes in situ ou invasifs).
• Hypothèse de non-infériorité : L'objectif est de démontrer que la stratégie assistée par IA n'est pas inférieure à la double lecture standard en termes de taux de détection des cancers.
• Taille de l'échantillon : Pour prouver la non-infériorité avec une puissance de 80 % et un seuil de signification de 0,025, l'étude vise à inclure environ 132 184 examens (soit environ 165 230 femmes invitées, en supposant un taux de participation de 80 %).
• Analyse statistique : La non-infériorité sera conclue si la borne supérieure de l'intervalle de confiance de la différence des taux de détection de cancers entre les deux groupes ne dépasse pas la marge de non-infériorité prédéfinie (0,0012).

3. Contributions Clés et Innovations

• Stratification des risques par IA : C'est l'une des premières études prospectives à utiliser l'IA non pas seulement comme outil d'aide à la décision, mais comme mécanisme de triage pour déterminer le nombre de lecteurs humains nécessaires (un ou deux).
• Validation en conditions réelles : Contrairement aux études rétrospectives, ce protocole évalue l'intégration de l'IA dans un flux de travail de dépistage de population réel, avec des consentements éclairés et une randomisation réelle.
• Préservation de la sécurité : Le design assure que les cas à haut risque (scores 8-10) continuent de bénéficier de la double lecture, tandis que les cas à faible risque sont allégés, optimisant ainsi la charge de travail sans sacrifier la sécurité des patientes à risque élevé.
• Réduction du biais d'automatisation : En masquant les scores et les marquages de l'IA lors de la lecture initiale, l'étude évite que le radiologue ne se fie aveuglément à l'IA, garantissant une évaluation indépendante de la performance de l'IA.

4. Résultats Attendus

Note : Ce document est un protocole d'étude (préprint) et ne contient pas encore les résultats finaux de l'essai.
Les résultats attendus permettront de déterminer :

1. Si la stratégie de lecture unique pour les cas à faible risque (score IA 1-7) maintient un taux de détection de cancers équivalent à la double lecture standard.
2. L'impact sur les taux de rappel (recall rate) et les taux de consensus.
3. La réduction potentielle de la charge de travail des radiologues (temps de lecture).
4. Les taux de cancers intervalles (cancers diagnostiqués entre deux séances de dépistage) pour évaluer la sécurité à long terme.

5. Signification et Impact Potentiel

Si l'hypothèse de non-infériorité est confirmée, cette étude aura des implications majeures :

• Durabilité des programmes de dépistage : Elle pourrait permettre de maintenir ou d'augmenter les volumes de dépistage malgré la pénurie de radiologues.
• Modèle économique et opérationnel : Elle offrirait un modèle validé pour une intégration sécurisée de l'IA, permettant de réallouer les ressources humaines vers les cas complexes.
• Politique de santé publique : Les résultats pourraient influencer les directives européennes et mondiales sur l'utilisation de l'IA en radiologie, passant d'une approche d'assistance à une approche de triage stratifié.
• Équilibre efficacité/sécurité : L'étude vise à prouver qu'il est possible d'augmenter l'efficacité opérationnelle sans compromettre la détection précoce du cancer du sein, un enjeu critique de santé publique.

L'étude est financée par la Société norvégienne contre le cancer et les autorités régionales de santé, et elle est supervisée par un comité de surveillance des données et de la sécurité (DSMB) pour garantir l'intégrité et la sécurité des participantes.