Performance diagnostique d’un modèle de deep learning pour la prédiction de cancer du sein en mammographie : expérience du système Transpara® sur 89 lésions frontières (B3) au CHU Grenoble Alpes
Résumé
Introduction : L’amélioration des techniques d’imageries pour le dépistage du cancer du sein est responsable depuis plusieurs années d’une augmentation du nombre de biopsies mammaires et de la découverte de lésions frontières (B3). Elles représentent environ 7 à 9% des biopsies et sont un groupe hétérogène d’anomalies histologiques marqueurs d’un tissu mammaire à risque de cancer du sein. Leur prise en charge a longtemps reposé sur la chirurgie devant leur risque de sous-estimation néoplasique de 9,9% à 35,1%. Si certains critères cliniques, radiologiques ou histologiques sont connus pour majorer le risque de sous-estimation de ces lésions frontières, il n’existe pas à l’heure actuelle de recommandation officielle sur leur prise en charge qui reste pays et centre dépendant. Notre objectif est d’étudier les performances d’un modèle d’intelligence artificielle (Transpara®) pour la prédiction de malignité des pièces opératoires d’anomalies mammographiques macrobiopsiées et correspondant à des lésions frontières B3. Méthodes : Cette étude rétrospective monocentrique a inclus 89 lésions frontières macrobiopsiées correspondant à des anomalies mammographiques chez 86 patientes, de mars 2016 à février 2022 au CHUGA. L’ensemble des patientes a été opéré avec des résultats histologiques définitifs : 11 cancers, 15 lésions bégnines et 63 lésions frontières. Le modèle Transpara ® a été appliqué à posteriori (79 lésions) et à priori (10 lésions) sur les mammographies 2D. Pour chaque anomalie mammographique, le modèle attribuait un score de risque de cancer de 0 à 100 (plus le score est élevé, plus le risque est important). Les performances de l’algorithme ont été analysées sur les lésions B2 définitives (absence de prise en charge) et les lésions B5 définitives (chirurgie complémentaire). Elles ont été illustrées sous la forme d’une courbe ROC et d’une aire sous la courbe. Résultats : Les performances du modèle avaient une aire sous la courbe à 0,521 avec une sensibilité à 0,36 et une spécificité à 0,87. Les scores de l’IA étaient croissants dans le sens du BIRADS (p=0,004) alors qu’il n’existait pas de différence statistique selon la morphologie ou la distribution des microcalcifications (p=0,052). Les cancers infiltrants étaient soit non vus par le modèle (1 carcinome infiltrant de type non spécifique), soit vus avec un score intermédiaire (1 carcinome lobulaire infiltrant). Conclusion : Le modèle Transpara ® semble non performant dans notre population constituée uniquement de lésions frontières dont certaines patientes sont en dehors du cadre du dépistage. Ces résultats sont en marge des études actuelles qui se basent uniquement sur des mammographies de dépistage.
Origine | Fichiers produits par l'(les) auteur(s) |
---|