Le combat contre le cancer du poumon s’annonce assurément technologique. Connu comme l'un des plus meurtriers, ce cancer est très difficile à détecter de manière précoce avant l'apparition des symptômes. En février 2022, La Haute autorité de la santé (HAS) avait recommandé la mise en place d’une expérimentation à petite échelle du dépistage du cancer du poumon chez les fumeurs.
Ce dépistage est déjà instauré dans plusieurs pays du monde, comme aux Etats-Unis ou au Canada, par exemple. En France, la réticence vis-à-vis des faux positifs et du “surdiagnostic” que l’examen générerait notamment, comme nous l’évoquions déjà dans notre article "Dépistage du cancer du poumon : pour ou contre ?", ont longtemps freiné le développement d’un tel programme.
Aux Etats-Unis, le dépistage par scanner low dose est déjà recommandée et une équipe du Massachusetts Institute of Technology (MIT) propose aujourd'hui une amélioration avec le recours à l'intelligence artificielle.
L’équipe du Massachusetts Institute of Technology est parti du constat : la tomodensitométrie à faible dose (LDCT) pour le dépistage du cancer du poumon est efficace, mais la plupart des personnes éligibles ne sont pas dépistées. « Nous avons émis l'hypothèse qu'un modèle d'apprentissage en profondeur évaluant l'ensemble des données volumétriques du LDCT pourrait être construit pour prédire le risque individuel sans nécessiter de données démographiques ou cliniques supplémentaires » ont-ils expliqué dans une étude parue le 12 janvier dans le Journal of clinical oncology. Ainsi est né le modèle Sybil.
Deep learning ou “apprentissage profond” est une sous-branche de l’intelligence artificielle, qui vise à construire des connaissances à partir d’une grande quantité d’information (plus la quantité sera importante, plus les connaissances seront affinées). Dans le cas qui nous intéresse, il s’agit de “nourrir” un algorithme de nombreuses images de scan low dose et d’avoir en parallèle l’histoire médicale des patients qui ont subi cet examen d'imagerie (la survenue ou non de cancer du poumon).
Les modèles actuels de prédiction du cancer du poumon nécessitent une combinaison d'informations démographiques, de facteurs de risque cliniques et d'annotations radiologiques. Sybil est conçu pour utiliser une seule scintigraphie thoracique à faible dose pour prédire le risque de cancer du poumon survenant 1 à 6 ans après une projection.
Les résultats sont encourageants. Appliqué à un ensemble diversifié d'analyses de deux hôpitaux et de l'essai national de dépistage du cancer du poumon, l'étude a montré que Sybil était capable de prévoir le risque de cancer du poumon à court et à long terme, obtenant des scores d'indices C allant de 0,75 à 0,80. Les valeurs supérieures à 0,8 indiquent un modèle solide indique l’étude.
Lors de la prédiction du risque de cancer un an à l'avance, le modèle était encore plus efficace : ils obtenaient entre 0,86 et 0,94 sur une courbe de probabilité.
Indication toujours étonnante dans le domaine : les données d'imagerie utilisées pour former Sybil étaient pourtant en grande partie exemptes de tout signe de cancer. Cela s’explique pourtant : à un stade précoce le cancer du poumon occupe de petites parties du poumon – juste une fraction des centaines de milliers de pixels composant chaque tomodensitométrie. Le coauteur Jeremy Wohlwend a été surpris par le score élevé de Sybil, malgré l'absence de cancer visible. Déjà entrepris dans d’autres cancers, ainsi que les maladies intestinales ou la maladie d'Alzheimer, l'Intelligence artificielle s'appuyant sur des données d'imagerie s’annonce comme un outil permettant d'atteindre un degré de précision inégalé.
Article rédigé par Georges Simmonds pour RT Flash
