Classer une tumeur cérébrale dans l’un des six types courants à l’aide d’une seule IRM 3D : c’est le défi que s’est lancé une équipe de chercheurs américains. Ensemble, ils ont conçu un modèle de deep learning capable de cette prouesse, un pas de plus vers la création d’un outil fiable de détection automatique des tumeurs et de l’absence d’image pathologie tumorale. Les experts ont exploité un vaste ensemble de données d’IRM 3D intracrâniennes pour entrainer et tester le système.
Le défi de l’automatisation de la détection des tumeurs cérébrales à l’aide des IRM 3D
Réussir à traiter plus facilement les tumeurs intracrâniennes les plus courantes, déterminer directement la classe tumorale de celle-ci ou son absence à l’aide d’une IRM 3D, et permettre d’adapter le suivi et le traitement du patient selon ce classement. Voilà le défi du laboratoire d’imagerie numérique du Mallinckrodt Institute of Radiology de la Washington University School of Medicine à Saint Louis dans le Missouri.
Satrajit Chakrabarty, doctorant sous la direction du Pr Aristeidis Sotiras, et du Pr Daniel Marcus avec l’aide de Pamela LaMontagne, Michael Hileman et Daniel Marcus ont rédigé une publication autour du modèle de deep learning qu’ils ont conçu et qui est capable de classer une tumeur cérébrale parmi l’un des six types courants, à l’aide d’une seule IRM 3D selon l’étude.
Le gliome de haut grade, le gliome de bas grade, les métastases cérébrales, le méningiome, l’adénome hypophysaire et le neurinome de l’acoustique : ce sont les six types de tumeurs intercrâniennes les plus courants et chacun d’entre eux nécessite l’ablation chirurgicale de la zone suspectée d’un cancer et son examen au microscope.
Deep learning et réseau de neurones convolutifs
Afin de concevoir leur modèle de deep learning, les chercheurs ont développé un vaste ensemble de données multi-institutionnelles d’IRM 3D intracrâniennes à partir de quatre sources accessibles au public. De plus, l’équipe a obtenu des examens IRM préopératoires à partir de la segmentation des images de tumeurs cérébrales connues.
Au total, ce sont 2 105 examens qui ont été divisés en trois sous-ensembles de données :
- 1 396 examens ont été utilisés pour l’entrainement du modèle, et plus précisément l’entrainement du réseau neuronal convolutif à faire la distinction entre les images saines et les identifications de tumeurs, et à classer les tumeurs par type.
- 361 examens pour les tests internes et 348 pour les tests externes. Ces données ont été exploitées pour évaluer les performances du modèle.
Des résultats très encourageants dans l’optique de la classification des tumeurs intracrâniennes
Avec les données de test internes, le modèle a atteint une précision de 93,35 % (337 sur 361) dans sept groupes d’images (une classe saine et six classes tumorales). Les sensibilités variaient de 91 % à 100 %, et la valeur prédictive positive variait de 85 % à 100 %. Les valeurs prédictives négatives variaient quant à elles de 98 % à 100 % dans toutes les classes. Avec les données de test externes (qui ne concernent que les gliomes de haut grade et gliome de bas grade), le modèle est précis à 91,95 %.
Les chercheurs considèrent qu’avec ces résultats, le deep learning est une approche prometteuse pour la classification et l’évaluation automatisées des tumeurs cérébrales. Ils ajoutent que l’utilisation des réseaux de neurones convolutifs permettent d’éviter la longue étape de la segmentation tumorale avec la classification. Pour Satrajit Chakrabaty, ces recherches ne sont que la première étape vers un flux de travail de radiologie amélioré par l’IA.