Une approche basée sur l’intelligence artificielle (IA) a démontré des performances diagnostiques comparables à celles des radiologues expérimentés dans la détection du cancer de la vésicule biliaire dans un hôpital de Chandigarh, selon une étude publiée dans la revue The Lancet Regional Health – Southeast Asia.
Le cancer de la vésicule biliaire (GBC) est une tumeur maligne très agressive avec une mauvaise détection et un taux de mortalité élevé. Le diagnostic précoce est difficile car les lésions bénignes de la vésicule biliaire peuvent présenter des caractéristiques d’imagerie similaires, ont indiqué les chercheurs.
L’équipe de l’Institut postuniversitaire d’éducation et de recherche médicales (PGIMER) de Chandigarh et de l’Institut indien de technologie (IIT) de New Delhi, visait à développer et à valider un modèle d’apprentissage profond (DL) pour la détection des GBC à l’aide d’une échographie abdominale et à comparer ses performances avec radiologues.
L’apprentissage profond est une méthode d’IA qui apprend aux ordinateurs à traiter les données d’une manière inspirée par le cerveau humain.
L’étude a utilisé des données d’échographie abdominale provenant de patients présentant des lésions de la vésicule biliaire acquises entre août 2019 et juin 2021 au PGIMER, un hôpital de soins tertiaires.
Un modèle d’apprentissage profond (DL) a été formé sur un ensemble de données de 233 patients, validé sur 59 patients et testé sur 273 patients.
Les performances du modèle DL ont été évaluées en termes de sensibilité, de spécificité et d’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), largement utilisée pour mesurer l’exactitude des tests de diagnostic.
Deux radiologues ont également examiné indépendamment les images échographiques et leurs performances diagnostiques ont été comparées au modèle DL.
Dans l’ensemble de tests, le modèle DL avait une sensibilité de 92,3 pour cent, une spécificité de 74,4 pour cent et une AUC de 0,887 pour détecter le GBC, ce qui était comparable à celui des deux radiologues, selon l’étude.
L’approche basée sur DL a montré une sensibilité et une AUC élevées pour détecter les GBC en présence de calculs, de vésicules biliaires contractées, de lésions de petite taille (moins de 10 mm) et de lésions du cou, qui étaient également comparables à celles des radiologues, ont indiqué les chercheurs.
Le modèle DL a montré une sensibilité plus élevée pour détecter le type d’épaississement mural du GBC par rapport à l’un des radiologues, malgré une spécificité réduite, ont-ils déclaré.
“L’approche basée sur la DL a démontré des performances diagnostiques comparables à celles des radiologues expérimentés dans la détection des GBC par échographie”, ont noté les auteurs de l’étude.
“D’autres études multicentriques sont recommandées pour explorer pleinement le potentiel du diagnostic GBC basé sur DL”, ont-ils ajouté.
Les auteurs ont reconnu certaines limites de l’étude. Les résultats sont basés sur un ensemble de données monocentrique et des études multicentriques sont nécessaires pour une validation plus large.
L’étude a une date limite de connaissance en 2021, et les développements ultérieurs dans le diagnostic de DL et de GBC pourraient ne pas être reflétés, ont-ils ajouté.