Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

Dans le parcours du traitement du cancer du sein, l'une des décisions les plus critiques intervient avant la première incision : déterminer si le cancer s'est propagé aux ganglions lymphatiques voisins. Ces petits organes en forme de haricot agissent comme la première ligne de défense du corps, filtrant le liquide du sein. Si les cellules cancéreuses s'y sont déplacées, le plan chirurgical change considérablement. Traditionnellement, les médecins doivent pratiquer une biopsie du ganglion sentinelle, une procédure où un chirurgien retire un ganglion spécifique pour vérifier la présence de cancer sous un microscope. Bien qu'efficace, il s'agit d'une étape invasive qui comporte des risques de gonflement et d'inconfort, et elle n'est pas toujours parfaite ; parfois, le test manque le cancer, et d'autres fois, il conduit à une chirurgie inutile pour des patientes dont le cancer ne s'est pas propagé. Depuis des décennies, les chercheurs cherchent un moyen de prédire cette propagation à l'aide d'outils non invasifs, espérant épargner aux patientes des procédures dont elles n'ont pas besoin. L'échographie, une technique d'imagerie courante utilisant des ondes sonores pour créer des images du corps, est depuis longtemps un outil standard pour examiner les masses mammaires, mais sa capacité à voir la propagation invisible des cellules cancéreuses a été limitée par la capacité de l'œil humain à interpréter les images.

Une équipe de chercheurs de deux hôpitaux chinois a adopté une nouvelle approche pour ce vieux problème en apprenant à un ordinateur à voir des modèles dans les images échographiques que l'œil humain pourrait manquer. Ils se sont concentrés sur un type spécifique de cancer du sein appelé cancer du sein invasif, où la tumeur a le potentiel de traverser le tissu mammaire et de voyager vers les ganglions lymphatiques. L'équipe a rassemblé les images échographiques de tumeurs provenant de 246 patientes, qui avaient toutes subi une chirurgie pour confirmer si leurs ganglions lymphatiques contenaient un cancer. Ils ont divisé ces patientes en deux groupes : un groupe provenant d'un hôpital de Guangzhou pour enseigner à l'ordinateur, et un groupe distinct provenant d'un autre hôpital pour tester si l'ordinateur pouvait appliquer ce qu'il avait appris à de nouvelles patientes inconnues. L'ordinateur n'a pas examiné les images de la même manière qu'un radiologue, en notant la forme ou la luminosité de la tumeur. Au lieu de cela, il a utilisé un système d'apprentissage profond (deep learning), un type d'intelligence artificielle, pour décomposer les images en des milliers de détails mathématiques infimes. Le système a ensuite utilisé un algorithme de prise de décision pour trouver la combinaison spécifique de ces détails qui prédisait le mieux si le cancer avait atteint les ganglions lymphatiques.

Les résultats de cette étude montrent que le modèle informatique a atteint un niveau de succès modéré dans ces prédictions. Lorsqu'il a été testé sur le groupe de patientes utilisé pour entraîner le système, le modèle a obtenu une AUC de 0,73. Lorsque les chercheurs ont testé ce même modèle sur le groupe indépendant de patientes de l'autre hôpital, la performance est restée constante, le modèle atteignant une AUC de 0,74. Cette cohérence entre deux hôpitaux différents, utilisant des machines d'échographie différentes, suggère que l'ordinateur a appris un véritable motif plutôt que de simplement mémoriser les images spécifiques qui lui ont été présentées. Cependant, le modèle n'est pas une boule de cristal parfaite. Dans le groupe de test de l'hôpital secondaire, le modèle était très efficace pour identifier correctement les patientes qui n'avaient pas de propagation de cancer, avec un taux de réussite d'environ 84 %. C'est une découverte précieuse car cela signifie que l'outil pourrait potentiellement aider les médecins à se sentir plus confiants pour sauter la biopsie invasive pour certaines patientes à faible risque.

Pourtant, l'étude souligne également les lacunes de l'outil. Le modèle a été moins efficace pour détecter chaque cas où le cancer s'était propagé, identifiant correctement ces cas seulement environ 65 % du temps. Parce qu'il a manqué certains cas de propagation, les chercheurs soulignent que cet outil ne peut pas remplacer la procédure de biopsie standard à lui seul. Si un médecin se fiait uniquement à cette prédiction informatique pour exclure la propagation du cancer, il pourrait envoyer par erreur certaines patientes chez elles sans le traitement nécessaire. Les auteurs décrivent le modèle comme un assistant utile plutôt qu'un remplacement, un outil qui pourrait ajouter une couche d'information au processus de prise de décision. Ils notent que l'étude était rétrospective, ce qui signifie qu'elle a examiné des données déjà collectées, et que le nombre de patientes était relativement faible. Les chercheurs soulignent également que l'ordinateur n'a pas été enseigné pour expliquer pourquoi il prenait une certaine décision, ce qui est un défi courant avec ce type d'intelligence artificielle avancée.

La voie à suivre, selon les auteurs, consiste à tester cet outil sur des groupes de patientes beaucoup plus larges à l'avenir. Ils suggèrent qu'avant que cette technologie ne puisse être utilisée dans les cliniques quotidiennes, elle doit être prouvée dans des études prospectives, où les patientes sont suivies dans le temps pour voir si les prédictions se maintiennent dans la pratique réelle. L'objectif est de voir si la combinaison de cette analyse informatique avec d'autres informations standards, comme la taille de la tumeur ou l'âge de la patiente, peut améliorer encore davantage la précision. Pour l'instant, l'étude offre un aperçu prometteur d'un avenir où l'intelligence artificielle pourrait aider les médecins à prendre des décisions plus personnalisées, épargnant potentiellement certaines femmes d'une chirurgie inutile tout en garantissant que celles qui en ont besoin la reçoivent. Ce travail démontre que, bien que la technologie ne soit pas encore prête pour une utilisation généralisée, elle a dépassé le stade théorique et a montré un potentiel réel et mesurable dans un cadre clinique.