L’IA détecte précocement le cancer à partir d’images

Souhaitez-vous savoir comment l’IA détecte précocement le cancer à partir d’images ? Découvrons-en plus avec INVIAI dans cet article !

La détection précoce du cancer améliore considérablement la survie. L’intelligence artificielle (IA) aide désormais les médecins à repérer les tumeurs sur les images médicales plus tôt et avec une plus grande précision.

En entraînant des modèles d’apprentissage profond sur des milliers de scans et lames annotés, l’IA peut apprendre des motifs que même les cliniciens experts pourraient ne pas détecter.

En pratique, les outils d’IA analysent des images telles que les mammographies, les scanners thoraciques, les radiographies, les IRM, les échographies et les lames de pathologie, signalant les zones suspectes et quantifiant le risque.

Par exemple, une échographie assistée par IA a permis à une patiente d’éviter une biopsie thyroïdienne inutile en montrant que sa masse était bénigne.

Les experts considèrent l’IA en oncologie comme « une opportunité sans précédent » pour améliorer le diagnostic et le traitement.

Comment l’IA analyse les images médicales

Les systèmes d’IA pour l’imagerie utilisent généralement le deep learning (notamment les réseaux de neurones convolutifs) entraînés sur d’immenses bases de données. Pendant l’entraînement, l’algorithme apprend à extraire des caractéristiques (formes, textures, couleurs) qui distinguent les tissus cancéreux des tissus sains.

Une fois entraîné, le modèle d’IA analyse de nouvelles images et met en évidence les motifs correspondant aux caractéristiques cancéreuses apprises.

En pratique, l’IA devient un « second lecteur » ultra-sensible, signalant des lésions subtiles que l’humain pourrait négliger. Par exemple, une IA analysant une mammographie ou une coupe de scanner peut entourer de cadres colorés de minuscules calcifications ou nodules et alerter le radiologue pour inspection.

Les analyses IA peuvent aussi estimer le risque : certains algorithmes prédisent le risque futur de cancer d’un patient à partir d’une seule image (en utilisant des corrélations apprises), permettant aux médecins de personnaliser les intervalles de dépistage.

Dans un cas, une échographie thyroïdienne analysée par IA a identifié de manière concluante un tissu bénin, concordant avec les résultats ultérieurs de la biopsie et évitant ainsi un stress supplémentaire à la patiente.

Dépistage du cancer du sein

La mammographie est un exemple phare où l’IA fait une différence. Des études montrent que l’assistance par IA peut significativement améliorer la détection du cancer du sein lors du dépistage.

Dans un large essai allemand, les radiologues assistés par un outil d’IA ont détecté 17,6 % de cancers en plus qu’en l’absence d’IA.

Plus précisément, le groupe assisté par IA a détecté 6,7 cancers pour 1 000 femmes contre 5,7 pour 1 000 dans le groupe standard, tout en réduisant légèrement le taux de rappel (faux positifs).

De manière générale, l’IA en mammographie peut :

• Améliorer la sensibilité et la spécificité. Des recherches financées par le NCI rapportent que les algorithmes d’IA « améliorent la détection du cancer du sein en mammographie » et peuvent aussi aider à prédire quelles lésions deviendront invasives.
• Identifier des anomalies subtiles. L’IA peut signaler de petits amas de microcalcifications ou des asymétries facilement manquées lors du dépistage de routine, agissant comme un lecteur expert supplémentaire.
• Réduire la charge de travail et la variabilité. En pré-sélectionnant les images, l’IA peut prioriser les cas suspects pour les radiologues, aidant à gérer l’augmentation du volume de mammographies.

Notamment, la FDA a approuvé plusieurs outils de mammographie assistée par IA (par exemple iCAD, SmartMammo de DeepHealth) pour un usage clinique, reconnaissant leur capacité à détecter précocement les cancers en conditions réelles.

Dépistage du cancer du poumon

L’IA est également utilisée pour la détection du cancer du poumon sur les images médicales. Les scanners à faible dose (LDCT) sont employés pour dépister les fumeurs à haut risque ; l’IA peut améliorer cela en optimisant la qualité des images et la détection des lésions.

Un avantage notable est la réduction de la dose : les algorithmes de reconstruction d’image basés sur l’IA peuvent produire des images CT claires avec encore moins de radiation que les scanners LDCT actuels.

De plus, les systèmes de détection assistée par ordinateur (CAD) basés sur l’IA analysent automatiquement chaque coupe CT à la recherche de nodules. Lorsqu’un nodule potentiel est détecté, l’IA le marque sur l’image pour que le médecin l’examine.

En résumé, l’IA peut agir comme un second lecteur sensible sur les images pulmonaires.

Par exemple, des modèles récents montrent une haute sensibilité pour les nodules pulmonaires bénins et malins (avec des systèmes de recherche détectant plus de 90 % des nodules sur des scans tests). La FDA américaine a approuvé des outils d’IA pour assister le dépistage du cancer du poumon, reconnaissant leur rôle dans un diagnostic plus précoce.

L’IA peut aussi aider à personnaliser le dépistage : en combinant imagerie et données patient, les algorithmes peuvent stratifier ceux qui nécessitent des scans plus fréquents.

(Cependant, les études actuelles sur le CAD montrent que si l’IA détecte plus de nodules au total, la majorité de cette augmentation concerne de petits nodules à faible risque, et elle n’a pas encore significativement amélioré la détection des lésions avancées.)

Cancer de la peau (mélanome)

L’imagerie dermoscopique (photos de peau agrandies) est un autre domaine où l’IA excelle. Des modèles d’apprentissage profond de pointe, entraînés sur des dizaines de milliers d’images de lésions cutanées, peuvent classer les grains de beauté en bénins ou malins avec une grande précision.

Dans une étude récente, un réseau neuronal amélioré a atteint une précision de 95 à 96 % pour identifier un mélanome à un stade précoce à partir d’images dermoscopiques.

C’est important : le mélanome à un stade précoce bénéficie d’un excellent pronostic (environ 98 % de survie à 5 ans), alors que la survie au stade avancé est bien moindre.

En signalant les grains de beauté suspects pour biopsie, l’IA pourrait aider les dermatologues à diagnostiquer plus tôt le mélanome.

Des outils IA sont même intégrés dans des applications mobiles ou dispositifs qui évaluent un grain de beauté photographié et estiment son risque, élargissant potentiellement la détection précoce en soins primaires.

Dépistage du cancer du col de l’utérus

L’IA améliore le dépistage du cancer du col en analysant des images numériques du col de l’utérus. Par exemple, le système CerviCARE utilise le deep learning sur des photos de « cervicographie » (images similaires à la colposcopie) pour distinguer les lésions précancéreuses.

Dans un essai multicentrique, l’IA CerviCARE a atteint une sensibilité de 98 % pour les lésions cervicales de haut grade (CIN2+), avec une spécificité de 95,5 %.

En pratique, cette IA pourrait assister dans les zones où les colposcopistes experts sont rares : l’algorithme met automatiquement en évidence les zones préoccupantes, aidant à ne manquer aucun tissu précancéreux.

Ce type d’IA complète les tests traditionnels de frottis et de HPV pour détecter la maladie précocement.

Le NCI note également des recherches sur l’automatisation de la détection précancéreuse par IA dans le dépistage cervical.

Dépistage du cancer colorectal

Lors de la coloscopie, l’IA assiste en temps réel. Les systèmes modernes analysent en continu le flux vidéo du coloscope. Lorsque la caméra filme un polype ou un tissu suspect, l’IA le met en évidence à l’écran (souvent par un cadre coloré et une alerte sonore) pour attirer l’attention du médecin.

Coloscopie assistée par IA : le système a identifié un polype « plat » (surligné en bleu) que le médecin peut retirer.

Les études montrent que l’utilisation de l’IA en coloscopie augmente le nombre total de polypes détectés, en particulier les petits adénomes. Cela signifie que l’IA aide les médecins à repérer davantage de lésions précoces qui pourraient autrement être manquées.

Dans un grand essai (l’étude CADILLAC), la détection globale d’adénomes a augmenté avec l’aide de l’IA. Cependant, les experts notent que la majorité de cette augmentation concernait de petits polypes à faible risque, et que l’ajout de l’IA n’a pas significativement amélioré la détection des adénomes volumineux et à haut risque dans cette étude.

En d’autres termes, l’IA est excellente pour signaler de nombreuses petites lésions, mais son impact sur la détection des précancers les plus dangereux reste à confirmer.

Néanmoins, un « second regard » IA peut réduire les oublis liés à la fatigue et diminuer la variabilité entre médecins. La FDA a approuvé des systèmes IA (CADe) pour la coloscopie clinique afin d’aider les endoscopistes dans la détection des polypes.

IA en pathologie et autres imageries

L’IA dépasse l’imagerie en direct pour s’étendre à la pathologie et aux examens spécialisés. Les lames de pathologie numérique (scans haute résolution de biopsies tissulaires) sont analysées par des algorithmes IA.

Par exemple, une nouvelle IA nommée CHIEF a été entraînée sur plus de 60 000 images de lames entières couvrant 19 types de cancer.

Elle détecte automatiquement les cellules cancéreuses sur la lame et prédit même le profil moléculaire de la tumeur à partir des caractéristiques visuelles. Lors des tests, CHIEF a atteint environ 94 % de précision dans la détection du cancer sur des lames inédites et pour plusieurs organes.

De même, la FDA a approuvé des logiciels IA pour mettre en évidence les zones cancéreuses dans les prélèvements de biopsies prostatiques, aidant les pathologistes à se concentrer sur les zones critiques. Des outils IA sont aussi approuvés pour l’interprétation des IRM de tumeurs cérébrales et des échographies de nodules thyroïdiens, entre autres.

En résumé, l’IA devient un assistant polyvalent : des scanners IRM/CT aux radiographies en passant par les lames microscopiques, elle signale les anomalies nécessitant une attention particulière.

Avantages de l’IA dans la détection précoce

Dans toutes ses applications, l’IA offre plusieurs avantages clés pour détecter le cancer tôt :

• Meilleure sensibilité : L’IA peut détecter des signes très subtils. En dépistage mammaire, l’IA a identifié environ 20 à 40 % des cancers survenant entre deux examens (cancers intervalle) lorsqu’elle a été appliquée rétrospectivement sur des mammographies antérieures.
  Cela signifie que l’IA peut révéler des cancers plus tôt que les seuls lecteurs humains.
• Précision et efficacité : Les études montrent que les lectures assistées par IA entraînent moins de faux négatifs et parfois moins de faux positifs.
  Par exemple, la mammographie avec assistance IA a augmenté la valeur prédictive positive des biopsies (cancers détectés par biopsie) dans un essai allemand.
• L’IA peut traiter les images plus rapidement qu’un humain, permettant aux programmes de dépistage de gérer des volumes croissants sans sacrifier la qualité.
• Qualité constante : Contrairement aux humains, l’IA ne se fatigue pas et ne passe pas à côté d’éléments par distraction.
  Elle fournit un niveau d’analyse uniforme, ce qui peut réduire la variabilité entre radiologues.
• Éviter les procédures inutiles : En distinguant plus précisément les lésions bénignes des malignes, l’IA peut épargner aux patients des examens superflus.
  Dans l’exemple de la thyroïde, l’IA a exclu avec confiance un cancer sans biopsie.
• En dermatologie, les applications IA peuvent rassurer les patients sur la nature bénigne de certains grains de beauté.
  Globalement, l’objectif est un dépistage de précision : détecter ce qui nécessite vraiment une intervention et éviter le surtraitement.
• Accès mondial : Dans les régions où les experts sont rares, les outils IA peuvent étendre le dépistage de niveau spécialiste aux cliniques éloignées.
  Par exemple, un colposcope IA pourrait aider les infirmières à dépister le cancer du col dans les zones à ressources limitées.

« Les approches basées sur l’IA peuvent renforcer la capacité des cliniciens à évaluer les cancers de manière efficace et précise ». Dans de nombreux essais, la combinaison de l’IA et de l’expertise médicale surpasse chacune des deux prises isolément, à l’image d’une consultation avec un collègue expérimenté.

Défis et considérations

L’IA présente aussi des défis. Les modèles entraînés sur des données limitées ou peu diversifiées peuvent ne pas fonctionner de manière égale pour tous les patients. Par exemple, les détecteurs IA de lésions cutanées doivent être formés sur des tons de peau variés pour éviter les biais.

Les outils dermoscopiques IA ont noté des lacunes de performance sur des images avec artefacts (poils, mauvaise luminosité) et sur certains types de lésions sous-représentés.

En dépistage, plus de détections peuvent signifier plus de faux positifs : l’IA en coloscopie a signalé de nombreux petits polypes, dont certains ne progresseront jamais en cancer.

L’ablation de chaque petite lésion comporte ses propres risques (risque faible de saignement ou perforation). Ainsi, les cliniciens doivent équilibrer la sensibilité et la spécificité de l’IA pour éviter le surdiagnostic.

L’intégration de l’IA dans les pratiques cliniques est complexe. Les hôpitaux ont besoin de logiciels validés et approuvés par la FDA ainsi que de formations pour le personnel. Des questions réglementaires et de responsabilité se posent quant à savoir qui est responsable si l’IA manque un cancer.

De nombreux chercheurs insistent sur le fait que l’IA est un outil, non un substitut ; comme l’a dit un radiologue, utiliser l’IA revient à « demander l’avis d’un collègue brillant ». Les essais en cours et les études post-commercialisation sont essentiels pour garantir que ces outils améliorent réellement les résultats.

Perspectives d’avenir

L’avenir de l’IA dans la détection du cancer est prometteur. Les chercheurs développent des « modèles fondamentaux » (grandes IA entraînées sur d’énormes bases de données) capables de gérer plusieurs tâches simultanément. Le CHIEF de Harvard en est un exemple : entraîné comme un « ChatGPT de la pathologie » sur des millions de fragments d’images, il fonctionne sur de nombreux types de cancer.

Des approches similaires pourraient bientôt combiner imagerie, données génétiques et cliniques pour un dépistage ultra-personnalisé. L’IA multimodale pourrait prédire non seulement la présence du cancer, mais aussi son agressivité, guidant l’intensité du suivi.

Les performances de l’IA s’améliorent rapidement grâce à de nouvelles techniques. Les systèmes CAD de nouvelle génération utilisent des architectures avancées de réseaux neuronaux et des grands modèles de langage pour interpréter les images. Pour le cancer du poumon, les experts notent que les anciens systèmes IA étaient « primitifs » comparés aux modèles actuels, et ils s’attendent à ce que les nouvelles versions soient bien meilleures.

Des études internationales (essais multicentriques en Europe et aux États-Unis) sont en cours pour valider les outils IA à grande échelle. Au fur et à mesure que les données s’accumulent, l’IA apprendra des résultats du monde réel, affinant continuellement sa précision.

En résumé, l’IA aide déjà les médecins à détecter plus tôt les cancers à partir d’images médicales – des mammographies et scanners aux photos de peau et lames de biopsie. Bien que des défis subsistent, la recherche de pointe et les approbations réglementaires laissent entrevoir un futur où l’IA sera un allié incontournable du dépistage du cancer.

En détectant les tumeurs aux stades les plus précoces, lorsque le traitement est le plus efficace, ces technologies pourraient améliorer les résultats pour de nombreux patients dans le monde.