Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

Le cancer de la prostate est le cancer le plus courant chez les hommes aux États-Unis, et déterminer l'étendue de la maladie est une étape cruciale pour décider de son traitement. Lorsqu'une tumeur est confinée à l'intérieur de la glande prostatique, les médecins peuvent souvent la retirer par une chirurgie qui préserve les nerfs importants. Cependant, si le cancer a poussé au-delà de la limite externe de la glande, une condition connue sous le nom d'extension extraprostatique, le plan de traitement doit changer. Les chirurgiens peuvent devoir retirer des marges de tissu plus larges, et les patients pourraient nécessiter des thérapies supplémentaires comme la radiothérapie ou un traitement hormonal pour empêcher le cancer de récidiver. Pendant des décennies, les médecins se sont appuyés sur l'imagerie par résonance magnétique, ou IRM, pour repérer ces signes de propagation avant la chirurgie. Bien que ces examens soient puissants, leur lecture est difficile. Les signes d'une tumeur perçant le bord de la glande peuvent être subtils, et même des spécialistes expérimentés peuvent parfois passer à côté ou ne pas être d'accord sur ce qu'ils voient.

Pour relever ce défi, une équipe de chercheurs de l'école de médecine NYU Grossman et de l'Université de Washington a entrepris de voir si l'intelligence artificielle pouvait égaler la compétence des radiologues humains dans la détection de ce type spécifique de propagation du cancer. Ils se sont concentrés sur deux types d'examens IRM : une version standard qui utilise plusieurs types de données, et une version simplifiée qui utilise moins de séquences, mais qui est plus rapide et moins coûteuse à réaliser. Les chercheurs ont conçu des modèles informatiques capables d'apprendre à partir de milliers d'anciens examens de patients pour reconnaître les motifs associés à un cancer qui s'est étendu au-delà de la prostate. Leur objectif n'était pas seulement de voir si les machines pouvaient apprendre, mais de déterminer si elles pouvaient le faire sans qu'un humain ait besoin de tracer d'abord des contours détaillés autour de la prostate ou de la tumeur, un processus lent et sujet à l'erreur humaine.

L'étude a porté sur un large groupe de patients ayant subi des examens IRM de la prostate entre 2015 et 2023, et dont la prostate a été retirée par la suite par chirurgie. Ce retrait chirurgical a fourni la vérité de terrain, permettant aux chercheurs de savoir exactement quels patients présentaient un cancer qui s'était propagé et lesquels non. L'équipe a divisé ces données en groupes pour entraîner et tester leurs modèles informatiques. Ils ont créé deux versions d'un système d'intelligence artificielle. La première version n'analysait que les images de l'IRM simplifiée, qui capture la structure de la prostate et la façon dont les molécules d'eau circulent à travers elle. La seconde version examinait ces mêmes images ainsi qu'un troisième type de cliché montrant comment la prostate absorbe le produit de contraste. Crucialement, aucune des deux versions ne nécessitait qu'un humain trace manuellement le contour de la prostate ou de la tumeur sur l'écran. Au lieu de cela, l'ordinateur analysait l'ensemble du volume de l'examen à la fois, apprenant à identifier les textures et les formes subtiles qui indiquent que le cancer a franchi la limite de la glande.

Pour évaluer la performance de ces modèles informatiques, les chercheurs les ont comparés à trois radiologues hautement formés, spécialisés en imagerie abdominale. Ces experts ont examiné les mêmes clichés de test, en regardant d'abord les images simplifiées, puis l'ensemble complet des images incluant le produit de contraste. Ils ont attribué un score à chaque examen en fonction de la probabilité que le cancer se soit propagé. Les résultats ont montré que les modèles informatiques étaient aussi performants que les experts humains. Les modèles étaient capables de détecter la propagation du cancer avec un niveau de précision statistiquement indiscernable de celui des radiologues spécialisés. Cette conclusion est significative car elle suggère que l'intelligence artificielle peut servir de second regard fiable, réduisant potentiellement la charge de travail des médecins et garantissant que moins de cas de propagation ne soient manqués.

Les chercheurs ont également examiné si l'ajout des images de contraste aidait le diagnostic. Pour les lecteurs humains comme pour les modèles informatiques, l'examen du jeu complet d'images incluant le produit de contraste a conduit à une légère amélioration de la précision. Les humains sont devenus meilleurs pour repérer la propagation, et les modèles informatiques sont devenus légèrement plus précis. Cependant, l'amélioration n'était pas assez spectaculaire pour déclarer cela comme un changement de donne décisif sur la base de ces seules données. L'étude a également révélé que les modèles informatiques étaient particulièrement doués pour repérer les zones de propagation plus larges, tandis que les humains comme les machines éprouvaient plus de difficultés avec les zones très petites et focales où le cancer commençait tout juste à percer la limite. Cette difficulté avec les petits cas focaux est une limitation connue dans le domaine, car ces signes minuscules sont intrinsèquement plus difficiles à voir sur n'importe quel examen.

L'un des aspects les plus notables de ce travail est la manière dont les modèles informatiques ont été entraînés. Contra irement à de nombreuses tentatives précédentes qui exigeaient que les médecins passent des heures à dessiner des bordures précises autour de la prostate et de la tumeur avant que l'ordinateur puisse apprendre, ces modèles ont appris directement à partir des images brutes et des résultats chirurgicaux finaux. Cette approche, appelée apprentissage faiblement supervisé, signifie que le système a appris à reconnaître la maladie sans le goulot d'étranglement du détourage manuel. Les chercheurs ont également testé si l'ajout d'une mesure simple par analyse de sang, connue sous le nom de densité de l'antigène prostatique spécifique, aidait l'analyse de l'ordinateur. Bien que l'ajout de ces données cliniques ait légèrement amélioré la performance du modèle, les images sont restées le principal moteur du diagnostic.

L'étude conclut que ces modèles d'intelligence artificielle sans segmentation sont un outil viable pour détecter la propagation du cancer, avec des performances équivalentes à celles des radiologues experts. Bien que l'ajout du produit de contraste et des données cliniques ait apporté de faibles gains, la conclusion fondamentale est que les machines peuvent apprendre à voir ce que les experts voient sans avoir besoin de l'étape chronophage du traçage manuel. Les chercheurs reconnaissent que leur travail a été réalisé dans un seul centre médical et que les modèles doivent être testés sur des données provenant d'autres hôpitaux et de différents types de machines IRM pour garantir qu'ils fonctionnent partout. Ils ont également noté que l'étude était rétrospective, ce qui signifie qu'elle portait sur des données passées, et que les travaux futurs devraient se concentrer sur l'affinement des modèles pour capturer les cas de propagation les plus petits et les plus difficiles. Pour l'instant, ce travail démontre que l'intelligence artificielle a atteint un point où elle peut se tenir côte à côte avec les spécialistes humains dans une tâche de diagnostic à enjeux élevés, offrant une voie prometteuse vers des soins contre le cancer plus cohérents et accessibles.