Voir vers l’avenir : Dépistage personnalisé du cancer grâce à l’intelligence artificielle

Alors que les mammographies sont actuellement la référence en matière de dépistage du cancer du sein, des tourbillons de controverse existent quant au moment et à la fréquence à laquelle elles doivent être administrées. D’une part, les défenseurs plaident pour la capacité de sauver des vies : les femmes âgées de 60 à 69 ans qui subissent des mammographies, par exemple, ont un risque de décès de 33 % inférieur à celles qui ne subissent pas de mammographies. Pendant ce temps, d’autres discutent des faux positifs coûteux et potentiellement traumatisants : une méta-analyse de trois essais randomisés a révélé un taux de surdiagnostic de 19 % par mammographie.

Même avec quelques vies sauvées, et certains surtraitements et surdépistages, les directives actuelles sont toujours fourre-tout : les femmes âgées de 45 à 54 ans devraient passer des mammographies chaque année. Alors que le dépistage personnalisé a longtemps été considéré comme la réponse, les outils qui peuvent tirer parti des trésors de données pour y parvenir sont à la traîne.

Cela a conduit les scientifiques du Laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL) et de la Jameel Clinic for Machine Learning and Health à se demander : Pouvons-nous utiliser l’apprentissage automatique pour fournir un dépistage personnalisé ?

De là est née Tempo, une technologie permettant de créer des directives de dépistage basées sur les risques. En utilisant un modèle de risque basé sur l’IA qui examine qui a été dépisté et quand il a été diagnostiqué, Tempo recommandera à une patiente de revenir pour une mammographie à un moment précis dans le futur, comme six mois ou trois ans. La même politique Tempo peut être facilement adaptée à un large éventail de préférences de dépistage possibles, ce qui permettrait aux cliniciens de choisir le compromis souhaité entre la détection précoce et le coût du dépistage, sans former de nouvelles politiques.

Le modèle a été formé sur un grand ensemble de données de mammographie de dépistage du Massachusetts General Hospital (MGH) et a été testé sur des patients retenus du MGH ainsi que sur des ensembles de données externes des hôpitaux Emory, Karolinska Suède et Chang Gung Memorial. En utilisant l’algorithme d’évaluation des risques Mirai précédemment développé par les équipes, Tempo a obtenu une meilleure détection précoce que le dépistage annuel tout en nécessitant 25 % de mammographies en moins à Karolinska. Au MGH, il recommandait environ une mammographie par an et obtenait un avantage de détection précoce simulé d’environ quatre mois et demi de mieux.

En adaptant le dépistage au risque individuel du patient, nous pouvons améliorer les résultats des patients, réduire le surtraitement et éliminer les disparités en matière de santé, déclare Adam Yala, doctorant en génie électrique et informatique, affilié au MIT CSAIL et chercheur principal sur un article décrivant Tempo publié le 13 janvier dans Médecine naturelle. Compte tenu de l’ampleur massive du dépistage du cancer du sein, avec des dizaines de millions de femmes subissant des mammographies chaque année, l’amélioration de nos lignes directrices est extrêmement importante.

Les premières utilisations de l’IA en médecine remontent aux années 1960, où beaucoup se réfèrent aux expériences de Dendral comme le coup d’envoi du terrain. Les chercheurs ont créé un système logiciel considéré comme le premier type expert qui automatise le comportement de prise de décision et de résolution de problèmes des chimistes organiques. Soixante ans plus tard, la médecine profonde a considérablement fait évoluer le diagnostic des médicaments, la médecine prédictive et les soins aux patients.

Les directives actuelles divisent la population en quelques grands groupes, comme les jeunes ou les plus de 55 ans, et recommandent la même fréquence de dépistage à tous les membres d’une cohorte. Le développement de modèles de risque basés sur l’IA qui fonctionnent sur les données brutes des patients nous donne l’occasion de transformer le dépistage, en donnant des dépistages plus fréquents à ceux qui en ont besoin et en épargnant le reste, explique Yala. Un aspect clé de ces modèles est que leurs prédictions peuvent évoluer au fil du temps à mesure que les données brutes des patients changent, ce qui suggère que les politiques de dépistage doivent être adaptées aux changements de risque et être optimisées sur de longues périodes de données sur les patients.

Tempo utilise l’apprentissage par renforcement, une méthode d’apprentissage automatique largement connue pour son succès dans des jeux comme Chess and Go, pour développer une politique qui prédit une recommandation de suivi pour chaque patient.

Les données de formation ici ne contenaient des informations sur le risque d’une patiente qu’aux moments où sa mammographie a été prise (quand elle avait 50 ou 55 ans, par exemple). L’équipe avait besoin de l’évaluation des risques à des points intermédiaires, elle a donc conçu son algorithme pour apprendre le risque d’un patient à des moments non observés à partir de ses dépistages observés, qui ont évolué à mesure que de nouvelles mammographies du patient devenaient disponibles.

L’équipe a d’abord formé un réseau de neurones pour prédire les futures évaluations des risques compte tenu des précédentes. Ce modèle estime ensuite le risque du patient à des moments non observés et permet de simuler les politiques de dépistage basées sur le risque. Ensuite, ils ont formé cette politique (également un réseau de neurones) pour maximiser la récompense (par exemple, la combinaison du coût de la détection précoce et du dépistage) de l’ensemble de formation rétrospective. Finalement, vous obtiendrez une recommandation pour savoir quand revenir pour le prochain écran, allant de six mois à trois ans dans le futur, en multiples de six mois, la norme n’est que d’un ou deux ans.

Disons que la patiente A vient pour sa première mammographie et finit par être diagnostiquée à la quatrième année. La deuxième année, il n’y a rien, donc ils ne reviennent pas avant deux ans, mais la quatrième année, ils reçoivent un diagnostic. Maintenant, il y a eu deux ans d’écart entre le dernier dépistage, où une tumeur aurait pu se développer.

En utilisant Tempo, lors de cette première mammographie, Year Zero, la recommandation aurait pu être de revenir dans deux ans. Et puis à la deuxième année, il aurait peut-être constaté que le risque était élevé et recommandé que le patient revienne dans six mois, et dans le meilleur des cas, il serait détectable. Le modèle modifie dynamiquement la fréquence de dépistage des patients, en fonction de l’évolution du profil de risque.

Tempo utilise une métrique simple pour la détection précoce, qui suppose que le cancer peut être détecté jusqu’à 18 mois à l’avance. Bien que Tempo ait surpassé les recommandations actuelles dans différents contextes de cette hypothèse (six mois, 12 mois), aucune de ces hypothèses n’est parfaite, car le potentiel de détection précoce d’une tumeur dépend des caractéristiques de cette tumeur. L’équipe a suggéré que des travaux de suivi utilisant des modèles de croissance tumorale pourraient résoudre ce problème.

De plus, la métrique de coût de dépistage, qui compte le volume total de dépistage recommandé par Tempo, ne fournit pas une analyse complète de l’ensemble des coûts futurs car elle ne quantifie pas explicitement les risques de faux positifs ou les dommages supplémentaires du dépistage.

Il existe de nombreuses orientations futures qui peuvent encore améliorer les algorithmes de dépistage personnalisés. L’équipe dit qu’une piste serait de s’appuyer sur les paramètres utilisés pour estimer les coûts de détection précoce et de dépistage à partir de données rétrospectives, ce qui se traduirait par des lignes directrices plus raffinées. Tempo pourrait également être adapté pour inclure différents types de recommandations de dépistage, telles que l’utilisation de l’IRM ou des mammographies, et les travaux futurs pourraient modéliser séparément les coûts et les avantages de chacun. Avec de meilleures politiques de dépistage, il pourrait être possible de recalculer l’âge le plus précoce et le plus tardif auquel le dépistage est encore rentable pour un patient.

Notre cadre est flexible et peut être facilement utilisé pour d’autres maladies, d’autres formes de modèles de risque et d’autres définitions des avantages de la détection précoce ou du coût du dépistage. Nous nous attendons à ce que l’utilité de Tempo continue de s’améliorer au fur et à mesure que les modèles de risque et les mesures de résultats sont encore affinés. Nous sommes ravis de travailler avec des partenaires hospitaliers pour étudier prospectivement cette technologie et nous aider à améliorer encore le dépistage personnalisé du cancer, déclare Yala.

Yala a écrit l’article sur Tempo aux côtés du doctorant du MIT Peter G. Mikhael, Fredrik Strand de l’hôpital universitaire de Karolinska, Gigin Lin de l’hôpital Chang Gung Memorial, Yung-Liang Wan de l’université Chang Gung, Siddharth Satuluru de l’université Emory, Thomas Kim de Georgia Tech , Hari Trivedi de l’Université Emory, Imon Banerjee de la clinique Mayo, Judy Gichoya de l’École de médecine de l’Université Emory, Kevin Hughes du MGH, Constance Lehman du MGH et auteur principal et professeur au MIT Regina Barzilay.

La recherche est soutenue par des subventions de Susan G. Komen, Breast Cancer Research Foundation, Quanta Computing, an Anonymous Foundation, MIT Jameel-Clinic, Chang Gung Medical Foundation Grant et par Stockholm Lns Landsting HMT Grant.