• Une IA capable de détecter le cancer du sein
    https://usbeketrica.com/article/ia-capable-detecter-cancer-sein

    Une équipe de chercheurs du MIT a mis au point une intelligence artificielle capable de détecter un cancer du sein jusqu’à cinq ans avant sa formation, quelle que soit la couleur de peau de la patiente.

    Chaque année, on compte 54 000 nouvelles personnes touchées par le cancer du sein en France, ce qui en fait le cancer le plus répandu chez les femmes. Malgré des campagnes de dépistage importantes, de nombreux cas sont repérés trop tard pour être soignés efficacement. Face à cet enjeu, des chercheurs du Massachusetts Institute of Technology (MIT) essaient d’intégrer l’intelligence artificielle à leurs recherches afin de dépister le cancer plus tôt. Les résultats de leurs travaux ont été publiés, mardi 7 mai, dans la revue Radiology.

    L’intelligence artificielle sur laquelle travaille le MIT permettrait de prédire un cancer du sein jusqu’à cinq ans avant son apparition, à travers l’analyse d’une simple mammographie. Pour arriver à ce résultat, les chercheurs ont analysé les données de plus de 60 000 patientes issues de l’Hôpital général du Massachusetts, précise le site du MIT. Comme les images utilisées avaient été prises plusieurs années auparavant, les chercheurs ont été en mesure d’apprendre à la machine quelles mammographies correspondaient à des femmes ayant développé le cancer du sein et lesquelles ne présentaient aucun signe de cancer.
    Une IA (un peu) plus inclusive

    Pour rendre leur intelligence artificielle plus équitable, les scientifiques lui ont montré des données représentatives de différentes couleurs de peau (l’enjeu étant de permettre à l’IA de repérer les signes avant-coureurs d’un cancer aussi bien sur des personnes blanches que non blanches). Verdict des chercheurs : « Cela fonctionne aussi bien sur des patientes noires que sur des personnes blanches ».

    Données issues d’une étude publiée en 2014 sur le site Wiley Online Library

    La diversité des données reste toutefois très faible, puisque seulement 5 % d’entre elles concernent des femmes noires et 4 % des femmes asiatiques, alors que 81 % proviennent de patientes à la peau blanche. Les chercheurs du MIT cherchent à inclure encore davantage les minorités dans leurs recherches, comme ils l’expliquent au site Engadget : « Nous continuons activement les collaborations avec d’autres hôpitaux pour faire en sorte que notre modèle soit équitable et qu’il fonctionne sur des populations diverses. »
    Un enjeu d’avenir

    Ces enjeux deviennent de plus en plus importants à mesure que l’intelligence artificielle fait son entrée dans le domaine de la santé et de la médecine prédictive. Aujourd’hui, aux États-Unis, les femmes noires ont 42% plus de risques de mourir d’un cancer du sein que les femmes blanches, précise le MIT. Parallèlement, les femmes noires, hispaniques et asiatiques développent le cancer du sein plus tôt en moyenne que les femmes blanches. Et avec le recours à l’intelligence artificielle, ces inégalités risquent encore s’amplifier si les données fournies aux IA ne sont pas plus représentatives.

    Pour gommer ces biais, il s’agit donc de renouveler et diversifier les données médicales. Et il y a fort à faire en la matière puisque, depuis vingt ans, les inégalités liées à la couleur de peau face au cancer n’ont pas diminué, comme le montre une étude publiée en 2014. Elles auraient même augmenté dans le cas du cancer du sein.

    #inégalités #cancer_du_sein #MIT #IA #prédictions_médicales

    • L’intelligence artificielle sur laquelle travaille le MIT permettrait de prédire un cancer du sein jusqu’à cinq ans avant son apparition, à travers l’analyse d’une simple mammographie. Pour arriver à ce résultat, les chercheurs ont analysé les données de plus de 60 000 patientes issues de l’Hôpital général du Massachusetts, précise le site du MIT. Comme les images utilisées avaient été prises plusieurs années auparavant, les chercheurs ont été en mesure d’apprendre à la machine quelles mammographies correspondaient à des femmes ayant développé le cancer du sein et lesquelles ne présentaient aucun signe de cancer.

      A noter : utilisation du conditionnel et sauf erreur de ma part on est bien sur des bases de travail statistiques et on détecte donc des corrélations et des probabilités, pas des causalités...

    • oui @suske tout cela est au conditionnel, on est d’accord que ce n’est pas très scientifique. Mais ça signifie aussi qu’un cancer du sein peut débuter 5 ans avant et non pas seulement 2 ans comme les médecins le disent souvent.
      Quand j’ai présenté une mammographie de plus de 20 ans avec des annotations au même endroit de cellules bizarres à Curie on m’a répondu que « la médecine n’est pas une science exacte ». Et il y a 10 ans, consultant en urgence, je me suis fait insulter par une gynéco parce que « madame ce sont vos glandes mammaires, c’est normal vous avez des seins, vous êtes une femme ».
      J’estime que les études techniques ça fait surtout plaisir aux techniciens de la santé et à ceux qui espèrent un retour sur investissement à force de #fichage.
      Et que tant que le corps médical refusera d’écouter les patient·es, les médecin·es continueront d’accumuler les erreurs médicales et les diagnostics d’ignares dangereux.
      Donc, chères sœurs, faites vous confiance, changez de médecin si il ou elle refuse de vous entendre.
      #santé #médecine #ecouter_les_femmes

    • L’étude originale :
      A Deep Learning Mammography-based Model for Improved Breast Cancer Risk Prediction | Radiology
      https://pubs.rsna.org/doi/abs/10.1148/radiol.2019182716

      Abstract
      Background
      Mammographic density improves the accuracy of breast cancer risk models. However, the use of breast density is limited by subjective assessment, variation across radiologists, and restricted data. A mammography-based deep learning (DL) model may provide more accurate risk prediction.

      Purpose
      To develop a mammography-based DL breast cancer risk model that is more accurate than established clinical breast cancer risk models.
      […]
      Conclusion
      Deep learning models that use full-field mammograms yield substantially improved risk discrimination compared with the Tyrer-Cuzick (version 8) model.

      Et, en effet, il s’agit de comparer des méthodes de détection. Le résultat principal se lit sur ce graphique (dit #courbe_ROC)


      Figure 2 : Receiver operating characteristic curve of all models on the test set. All P values are comparisons with Tyrer-Cuzick version 8 (TCv8). DL = deep learning, hybrid DL = DL model that uses both imaging and the traditional risk factors in risk factor logistic regression, RF-LR = risk factor logistic regression.

      Il montre que la courbe (en rouge) correspondant à l’utilisation de l’IA sur l’image et les facteurs de risque classiques produit toujours un plus faible nombre de faux positifs que les méthodes sans IA.

      La courbe verte (IA sur l’image seule) n’est pas aussi performante que la rouge ; elle est moins bonne que la méthode traditionnelle dans le bas de la courbe.

      La « détection parfaite » correspondrait à deux segments de droite longeant les bords gauche et supérieur du carré.

    • Comme tu le soulignes, @vraiment, l’étude ne porte que sur les éléments médicaux. Aucune trace des déclarations des patientes, en effet.

      Mais ça signifie aussi qu’un cancer du sein peut débuter 5 ans avant

      Je reformulerais en précisant que l’étude montre que le cancer était détectable (par ces méthodes) dans les 5 ans qui précèdent sa détection effective. L’étude a porté sur 40000 mammographies effectuées dans un intervalle de 4 ans (2009 à 2012) dans un grand centre médical et en recoupant d’une part avec le registre des tumeurs déclarées dans les 5 ans suivant de 5 hôpitaux, mais aussi avec des mammographies post-traitement.

      Le délai de détection ainsi gagné par l’utilisation de ces techniques n’est pas indiqué. Ni, à mon avis, aisément déterminable.

    • 100% d’accord sur l’écoute.

      Une des difficultés est aussi de s’exprimer face au médecin... Ici on est clairement dans une idée du type : une mammo, une AI et le tour est joué. L’écoute de l’expression des patientes est limite inutile dans ce paradigme. Pour cela je n’ai pas apprécié cet article dont la structure me semble conforter ce défaut :
      1. titre factuel favorable à l’AI
      2. rappel de « l’importance de la détection précoce »
      3. conditionnel : possibilité de prédire jusqu’à 5 ans
      4. le tout sur base de dossiers d’imagerie...

      Il ressort une impression de « on va pouvoir détecter tout à temps » alors que ce que je comprends c’est que l’AI réduit (logiquement) un peu la subjectivité de l’interprétation. C’est déjà bien, pas besoin d’en rajouter en parlant de capacité de l’AI et de prédictibilité...

    • Moi je me questionne du coup sur ce qui change sur une mammographie en fonction de la couleur de peau ; le contraste de l’image résultante n’est pas le même ? (a priori c’est pas ça) Ou c’est que les cancers du sein ne se développent pas forcément de la même façon suivant le milieu social, la couleur ?

      The majority of existing risk models were developed on predominantly white populations (1,3,4) and have known limitations in predicting risk for other racial groups (17–20)

    • Relativement à la mammographie, le facteur #densité_mammaire (#breast_density) est régulièrement mis en avant.

      cf. les explications de la Clinique Mayo où l’on voit clairement l’impact sur la lecture de l’image.

      Après, le lien entre l’ethnicité, la densité mammaire et le niveau de risque relatif est discuté. Deux exemples, après recherche rapide,…

      • ici une étude de 2007, Mammographic breast density and race qui conclut que le lien densité/race existe mais qu’il disparait lorsqu’on prend en compte les facteur âge et IMC (Indice de Masse Corporel) … sauf pour les Asiatiques
      https://www.ncbi.nlm.nih.gov/pubmed/17377060

      • là, en Nouvelle-Zélande en 2013, c’est le contraire…
      Age and Ethnic Differences in Volumetric Breast Density in New Zealand Women : A Cross-Sectional Study
      https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3729838

      As well as expected age differences, we found differential patterns of breast density by ethnicity consistent with ethnic differences seen in breast cancer risk. Breast density may be a contributing factor to NZ’s well-known, but poorly explained, inequalities in breast cancer incidence.

      Comme l’indique la conclusion de cette dernière étude, on ne sait pas pourquoi…

      Les quatre références citées en note (17 à 20) par l’étude sur l’IA se contentent de constater les différences, comparent la sous-estimation des risques obtenus par différentes méthodes et, éventuellement, proposent des étalonnages (anglais : calibration) différents pour les différentes races.