Impact de l’intelligence artificielle en mammographie de dépistage du cancer du sein
- Intelligence artificielle
- mammographie
- dépistage
- cancer du sein
- classification BI-RADS
- Sein -- Cancer
- Mammographie
- Intelligence artificielle
- Tumeurs du sein
- Mammographie
- Intelligence artificielle
- Langue : Français
- Discipline : Médecine. Radiodiagnostic et imagerie médical
- Identifiant : 2021LILUM471
- Type de thèse : Doctorat de médecine
- Date de soutenance : 11/10/2021
Résumé en langue originale
Contexte : En France, le cancer du sein représente le premier cancer chez la femme et est responsable de plus de 14% de décès par cancer féminin en 2018, avec une prévalence estimée à plus de 7 pour 1000 femmes. Avec la charge de travail croissante des radiologues, comment l’intelligence artificielle (IA) pourrait être une aide dans le dépistage du cancer du sein ? L’objectif principal de notre étude est de démontrer que les radiologues sont capables de mieux classer les mammographies en catégories BI-RADS, avec le support de l’IA. Matériel et Méthodes : Une étude multi-lecteurs, multi-cas a été menée, incluant 314 mammographies. Douze radiologues ont interprété les examens en deux sessions, séparées par 4 semaines de « wash-out », sans et avec l’aide de l’IA. Ils devaient, pour chaque sein de chaque mammographie, marquer la lésion la plus suspecte, et lui attribuer un score BI-RADS « forcé », ainsi qu’un degré de suspicion (allant de 1 à 100, pondéré pour chaque BI-RADS). Le coefficient de corrélation kappa de Cohen avec pondération quadratique évaluant la concordance interobservateur pour les catégories BI-RADS par sein, l’aire sous la courbe ROC, et les temps de lecture ont été analysés. Résultats : En moyenne, le coefficient kappa quadratique a augmenté de manière significative avec le support de l’IA pour l’ensemble des lecteurs (κ = 0.549, 95% CI : [0.528–0.571] sans IA et κ = 0.626, 95% CI : [0.607–0.645] avec IA). L’AUC s’est significativement améliorée avec l’aide de l’IA (0.739 vs 0.773, p = 0.004). Le temps de lecture n’a pas été affecté de manière significative pour l’ensemble des lecteurs (106 secondes sans IA et 102 secondes avec IA ; p = 0,754). Conclusion : Avec l’aide de l’IA, les radiologues ont mieux classé les mammographies en catégories BI-RADS, sans allonger leur temps d’interprétation.
- Directeur(s) de thèse : Laurent, Nicolas
AUTEUR
- Dang, Lan-Anh