Blog

Nov 02, 2023

L’utilisation de l’IA avec des examens LDCT antérieurs améliore l’évaluation du risque de nodule pulmonaire

3 août 2023 -- Un algorithme d'apprentissage en profondeur qui intègre les informations provenant d'examens CT à faible dose (LDCT) antérieurs est plus efficace pour estimer le risque de malignité des nodules pulmonaires sur trois ans que

3 août 2023 -- Un algorithme d'apprentissage en profondeur qui intègre les informations provenant d'examens CT à faible dose (LDCT) antérieurs est plus efficace pour estimer le risque de malignité des nodules pulmonaires sur trois ans que les modèles qui utilisent un seul examen CT seul, ont découvert des chercheurs. .

Les résultats de l'étude soulignent comment l'ajout de l'IA aux données d'imagerie peut aider les radiologues à mieux caractériser les nodules pulmonaires trouvés sur le LDCT - une tâche qui peut être difficile, selon une équipe dirigée par Kiran Venkadesh du centre médical universitaire Radboud à Nimègue, aux Pays-Bas. Les recherches du groupe ont été publiées le 1er août dans Radiology.

"[Il] est difficile pour les radiologues d'identifier et de surveiller des nodules potentiellement malins", a écrit le groupe. "Malgré la présence de directives de gestion des nodules, une caractérisation précise reste fastidieuse et est sujette à une variabilité inter- et intra-lecteur... L'intelligence artificielle utilisant l'apprentissage profond a démontré des résultats prometteurs pour estimer avec précision le risque de malignité des nodules pulmonaires, notamment par rapport à l'analyse histopathologique. des normes de référence basées sur des normes.

Le cancer du poumon est à l'origine du plus grand nombre de décès liés au cancer dans le monde, et un diagnostic précoce grâce à un dépistage régulier par LDCT est essentiel pour améliorer les résultats pour les patients, a expliqué l'équipe. Mais la LDCT peut détecter les nodules pulmonaires bénins, ce qui rend important le développement d'outils pouvant aider les cliniciens à mieux les caractériser. Les algorithmes d’IA sont prometteurs à cet égard, selon Venkadesh et ses collègues.

Les enquêteurs ont évalué les performances d'un algorithme d'apprentissage en profondeur qui intègre des informations sur les examens de TPMD antérieurs, en comparant cette combinaison à un algorithme d'apprentissage en profondeur plus un seul examen de TPMD et au modèle de l'étude pancanadienne de détection précoce du cancer du poumon (PanCan) (PanCan est un étude qui utilise un algorithme de prévision des risques pour évaluer le rapport coût-efficacité du dépistage du cancer du poumon).

L'ensemble de formation de l'algorithme d'apprentissage profond comprenait 10 508 nodules (dont 422 étaient malins, soit 4 %) chez 4 902 participants à l'essai ; les données de l’ensemble de formation provenaient du National Lung Screening Trial (NLST). Deux ensembles de tests comprenaient 129 nodules (dont 43 étaient malins, soit 33 %) et 126 nodules (dont 42 étaient malins, également 33 %) ; ces données proviennent de l'essai danois de dépistage du cancer du poumon (DLCST) et de l'essai multicentrique italien de détection du poumon (MILD).

L'algorithme d'apprentissage en profondeur qui incorporait les données des examens LDCT précédents a surpassé à la fois l'algorithme plus un seul examen LDCT et le modèle PanCan, a rapporté l'équipe.

L'étude apporte une contribution précieuse à la littérature actuelle, ont écrit Carolyn Horst, PhD, du King's College de Londres au Royaume-Uni et sa collègue Mizuki Nishino, MD, du Brigham and Women's Cancer Center à Boston, dans un commentaire d'accompagnement.

« La recherche publiée par Venkadesh et al est la première étape dans l'utilisation de l'intelligence artificielle dans l'imagerie longitudinale dans le domaine du dépistage du cancer du poumon, ouvrant la voie à l'intégration de l'intelligence artificielle et de l'imagerie en série pour obtenir de meilleurs résultats pour les participants et les programmes de dépistage », ils ont écrit.

L’étude complète peut être consultée ici.