L’IA prédit la récidive des gliomes pédiatriques à l’aide de plusieurs scintigraphies cérébrales

L’IA prédit la récidive des gliomes pédiatriques à l’aide de plusieurs scintigraphies cérébrales

L’intelligence artificielle (IA) est extrêmement prometteuse pour analyser de vastes ensembles de données d’imagerie médicale et identifier des modèles qui pourraient manquer aux observateurs humains. L'interprétation assistée par l'IA des scintigraphies cérébrales peut contribuer à améliorer les soins prodigués aux enfants atteints de tumeurs cérébrales appelées gliomes, qui sont généralement traitables mais dont le risque de récidive varie. Les enquêteurs du général Brigham et le personnel du Boston Children's Hospital et du Dana-Farber/Boston Children's Cancer and Blood Disorders Center ont formé des algorithmes d'apprentissage profond pour utiliser la technologie cérébrale séquentielle afin d'analyser les analyses cérébrales post-traitement afin de signaler les patients présentant un risque de récidive du cancer. Vos résultats seront publiés dansLe New England Journal of Medicine AI.

De nombreux gliomes pédiatriques peuvent être guéris par la chirurgie seule, mais en cas de rechute, elles peuvent être dévastatrices. Il est très difficile de prédire qui pourrait subir une récidive. Par conséquent, les patients subiront un suivi fréquent par imagerie par résonance magnétique (IRM) pendant de nombreuses années, un processus qui peut être stressant et pénible pour les enfants et les familles. Nous avons besoin de meilleurs outils pour identifier rapidement les patients présentant le risque de récidive le plus élevé. "

Benjamin Kann, MD, auteur correspondant du programme d'intelligence artificielle en médecine (AIM) du Mass General Brigham et du département de radio-oncologie du Brigham and Women's Hospital

Les études sur des maladies relativement rares telles que les cancers pédiatriques peuvent être remises en question par le manque de données. Cette étude, financée en partie par les National Institutes of Health, a fait état de partenariats institutionnels à travers le pays pour collecter près de 4 000 examens IRM auprès de 715 patients pédiatriques. Pour maximiser ce que l'IA pourrait « apprendre » des scanners cérébraux d'un patient et prédire plus précisément la récidive, les chercheurs ont utilisé une technique appelée apprentissage temporel, qui entraîne le modèle à synthétiser les résultats de plusieurs scanners cérébraux effectués quelques mois après la chirurgie.

En règle générale, les modèles d’IA d’imagerie médicale sont entraînés pour tirer des conclusions à partir d’analyses individuelles. Grâce à l'apprentissage temporel, qui n'était pas utilisé auparavant pour la recherche sur l'IA pour l'imagerie médicale, les images au fil du temps éclairent la prédiction de la récidive du cancer par l'algorithme. Pour développer le modèle d'apprentissage temporel, les chercheurs ont d'abord formé le modèle pour séquencer les examens IRM postopératoires d'un patient dans l'ordre chronologique afin que le modèle puisse apprendre à détecter des changements subtils. À partir de là, les chercheurs ont affiné le modèle pour associer correctement les changements, si nécessaire, à la récidive ultérieure du cancer.

En fin de compte, les chercheurs ont découvert que le modèle d'apprentissage temporel avait prédit la récidive d'un gliome de bas ou de haut grade un an après le traitement avec une précision de 75 à 89 pour cent, soit une précision nettement supérieure à celle obtenue à l'aide de prédictions basées sur des images individuelles, qui était d'environ 50 pour cent (pas mieux que le hasard). Fournir à l'IA des images provenant de moments supplémentaires après le traitement a augmenté la précision prédictive du modèle, mais seulement quatre à six images étaient nécessaires avant que ce plateau d'amélioration ne soit appliqué.

Les chercheurs préviennent qu’une validation plus approfondie via des paramètres supplémentaires est nécessaire avant une utilisation clinique. À terme, ils espèrent lancer des essais cliniques pour déterminer si les prévisions de risques fondées sur l’IA peuvent conduire à des améliorations des soins, que ce soit en réduisant la fréquence d’imagerie pour les patients à faible risque ou en traitant de manière préventive les patients à haut risque avec des thérapies adjuvantes ciblées.

"Nous avons montré que l'IA est capable d'analyser et de faire des prédictions à partir de plusieurs images, et pas seulement de scans uniques", a déclaré le premier auteur Divyanshu Tak, MS, du programme AIM du Mass General Brigham et du Département de radio-oncologie du Brigham. "Cette technique peut être appliquée dans de nombreux contextes où les patients reçoivent une imagerie longitudinale en série, et nous sommes ravis de voir ce que ce projet inspirera."

Sources :