A Systematic Review and Descriptive Quantitative Synthesis of Artificial Intelligence in Cervical Cancer Screening and Diagnosis
Cette revue systématique de 898 études sur l'intelligence artificielle dans le dépistage et le diagnostic du cancer du col de l'utérus révèle une large application à travers de multiples modalités, mais souligne une hétérogénéité méthodologique significative et des limites de signalement qui empêchent une analyse quantitative groupée, soulignant le besoin urgent de normalisation du signalement, de validation externe et d'évaluation clinique prospective.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le cancer du col de l'utérus est une maladie qui, bien que préventable, continue de coûter des vies à travers le monde. La clé pour l'arrêter réside dans la détection précoce des cellules anormales, souvent avant qu'elles ne se transforment en cancer. Les médecins utilisent actuellement plusieurs outils pour ce faire, allant de l'observation des cellules sous un microscope à l'examen du col de l'utérus à l'aide d'une caméra spéciale. Cependant, ces méthodes dépendent fortement de la compétence humaine et peuvent varier selon la personne qui effectue la lecture ou la qualité des images. Ces dernières années, les scientifiques se sont tournés vers l'intelligence artificielle, un domaine où les ordinateurs apprennent à reconnaître des formes, pour aider à cette tâche. Ces programmes informatiques peuvent être entraînés pour repérer les signes de la maladie dans les images médicales, offrant potentiellement une seconde paire d'yeux qui ne fatigue jamais. La promesse est que ces outils pourraient rendre le dépistage plus précis et accessible à un plus grand nombre de personnes, mais la question demeure : comment fonctionnent-ils réellement dans le monde réel ?
Une équipe de chercheurs s'est donné pour mission de répondre à cette question en rassemblant toutes les études disponibles sur l'intelligence artificielle utilisée pour le dépistage et le diagnostic du cancer du col de l'utérus. Ils ont effectué des recherches dans quatre bases de données scientifiques majeures, cherchant toute recherche originale utilisant des ordinateurs pour analyser des cellules, des images provenant de caméras ou des échantillons de tissus. Après avoir supprimé les doublons et filtré les études ne répondant pas à leurs critères stricts, il leur restait 8-98 études à examiner. Cette vaste collection couvrait un large éventail d'applications, allant de l'analyse de frottis cervicaux et d'échantillons cellulaires en milieu liquide à l'examen d'images prises lors d'une colposcopie, qui est une procédure par laquelle un médecin examine attentivement le col de l'utérus, et même l'examen de tissus sous un microscope. Le nombre d'études publiées sur ce sujet a progressé rapidement, la majorité apparaissant ces dernières années, reflétant un regain d'intérêt pour l'utilisation de l'apprentissage automatique et de l'apprentissage profond pour résoudre des problèmes médicaux.
Les chercheurs ont constaté que, bien que l'intelligence artificielle soit utilisée de nombreuses façons différentes, les résultats sont difficiles à comparer directement. Sur les 898 études, seules 60 fournissaient des chiffres clairs sur la performance de l'ordinateur, comme la fréquence à laquelle il identifiait correctement la maladie ou l'excluait correctement. Même parmi ces 60 études, l'information était souvent incomplète. Pour savoir réellement si un outil de diagnostic est performant, les scientifiques doivent généralement voir un ensemble complet de données montrant exactement combien de cas ont été correctement identifiés, combien ont été manqués et combien de cas sains ont été faussement signalés comme malades. Aucune des études de cette revue n'a fourni cet ensemble complet de chiffres. Parce que les données étaient manquantes ou rapportées de manières différentes, les chercheurs n'ont pas pu combiner les résultats en un score de précision global unique. Ils n'ont pas pu calculer une moyenne globale qui dirait au monde exactement quelle est l'efficacité de ces outils actuellement.
Au lieu d'un chiffre unique, l'équipe a fourni un résumé descriptif de ses découvertes. Elle a noté que la précision était la métrique la plus couramment rapportée, suivie de la sensibilité, qui mesure la capacité de l'outil à détecter la maladie, et de la spécificité, qui mesure sa capacité à éviter les fausses alertes. Les études variaient considérablement dans leur conception, le type de données utilisées et la manière dont les modèles informatiques étaient testés. Certaines utilisaient des données d'un seul hôpital, tandis que d'autres utilisaient des images provenant de plusieurs localisations. Certaines comparaient l'IA à un expert humain, tandis que d'autres utilisaient un standard différent. Cette variété signifiait qu'un outil paraissant très performant dans une étude pouvait ne pas se comporter de la même manière dans un autre contexte. Les chercheurs ont également examiné la qualité des études et ont constaté que beaucoup manquaient de détails clairs sur la façon dont les données étaient choisies ou comment les modèles étaient testés, ce qui rendait difficile la pleine confiance dans les résultats.
La conclusion de cette revue approfondie est que, bien que l'intelligence artificielle présente un large potentiel pour aider les médecins à dépister et diagnostiquer le cancer du col de l'utérus, les preuves actuelles ne sont pas encore prêtes à soutenir un jugement définitif sur sa performance globale. Les outils existent et sont utilisés dans de nombreux contextes différents, mais la manière dont la recherche est rapportée rend impossible de dire exactement à quel point ils sont fiables de manière générale. Les auteurs suggèrent que, pour que ces outils deviennent un standard des soins médicaux, les futures études doivent être plus cohérentes. Elles doivent utiliser des groupes de patients plus larges provenant de lieux différents, suivre les mêmes règles de test et rapporter leurs résultats de manière complète, incluant le détail complet des découvertes correctes et incorrectes. Tant que ces étapes ne seront pas franchies, le plein potentiel de l'intelligence artificielle dans ce domaine vital restera une promesse plutôt qu'une réalité prouvée.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.