Patients et conception de l’étude
Dans cette étude rétrospective menée dans un seul centre, nous avons examiné les dossiers de 993 patients ayant subi une intervention chirurgicale pour un cancer du sein précoce de stade 0 à 3 dans notre hôpital (Fig. 1). Les patients ayant reçu une thérapie systémique préopératoire, incluant la chimiothérapie et la thérapie endocrinienne, devaient bénéficier d’une échographie dynamique par contraste (CEUS). Après avoir exclu les patients sans évaluation de ganglions lymphatiques axillaires (ALN) via CEUS, ainsi que ceux n’ayant pas subi de chirurgie axillaire, nous avons inclus 788 patients dans cette étude. La vérité de référence était définie par le diagnostic pathologique de la métastase ALN.
Diagramme de flux des patients. ALN : ganglion lymphatique axillaire, CEUS : échographie dynamique par contraste, PST : thérapie systémique préopératoire.
Parmi les 788 patients (âge moyen de 59,7 ans [plage, 25–90]), 182 (23 %), 331 (42 %), 247 (31 %) et 28 (4 %) patients étaient classés en stades cliniques (cStage) 0, 1, 2 et 3, respectivement. En tout, 190 patients (24 %) présentaient des métastases ALN. Les patients inclus ont été stratifiés selon le diagnostic pathologique des métastases ALN et divisés de manière aléatoire en ensembles d’entraînement et de test indépendants dans un rapport de 3:1. Les caractéristiques clinicopathologiques, y compris le système de classification BI-RADS, les sous-types et l’indice de marquage Ki67, sont présentées dans le Tableau 1.
Protocoles d’US et évaluations des radiologues
Les échographies conventionnelles et CEUS préopératoires du cancer du sein et des ALN ont été réalisées par deux sonographistes spécialisés, ayant cinq ans d’expérience. La CEUS a été effectuée pour les ALN les plus suspects de métastase, détectés par l’US conventionnelle. Un agent de contraste, Sonazoid® (GE HealthCare Pharma, Tokyo, Japon), a été administré à raison de 0,015 mL/kg par injection intraveineuse, et les tumeurs mammaires et les ALN ont été évalués lors de la phase de maximisation de l’accumulation de contraste. Les images des ALN montrant l’accumulation maximale de contraste dans la série CEUS ont été sélectionnées pour cette étude. L’accumulation de contraste a atteint son pic en deux phases distinctes : la phase artérielle, environ 20 secondes après l’injection de contraste, et la phase tardive, environ 180-200 secondes après l’injection.
Les images d’US conventionnelles et CEUS ont été discutées par deux radiologues avec respectivement 24 et 29 ans d’expérience, qui étaient aveugles aux données pathologiques, et une évaluation consensuelle a été réalisée dans chaque cas.
Cadre du modèle proposé
Notre modèle bimodal se composait d’une composante d’apprentissage profond (DL) pour les images US et d’une composante d’apprentissage machine (ML) pour les données tabulaires (Fig. 2). Les données d’entrée de la partie DL étaient des images US conventionnelles et CEUS. Après les étapes de prétraitement de l’image, des modèles DL ont été utilisés pour dériver des covariables prédictives basées sur l’image (iP : 0–1) pour les métastases ALN. Dans la composante ML, les données d’entrée pour LightGBM comprenaient : iP et caractéristiques d’imagerie validées par des radiologues dans les images US conventionnelles et CEUS des lésions primaires. La sortie était définie comme la covariable prédictive finale (final P). La performance des modèles a également été évaluée en utilisant uniquement des images US conventionnelles et les caractéristiques d’imagerie correspondantes.
Vue d’ensemble de notre modèle bimodal comprenant une partie DL et une partie LightGBM. La partie DL effectuait des étapes de prétraitement d’image, où les canaux RGB étaient superposés en plaçant les zones à haute résonance de l’image US conventionnelle dans le canal R et les zones de contraste de l’image CEUS dans le canal G. L’image était ensuite entrée dans les modèles DL pour tirer des covariables prédictives basées sur l’image (iP : 0–1) pour les métastases ALN. Dans la partie LightGBM, les données d’entrée comprenaient iP et les caractéristiques d’imagerie validées par les radiologues. La sortie était définie comme la covariable prédictive finale (final P). La performance des modèles était comparée dans deux scénarios : le scénario A utilisant les images US classiques et le scénario B utilisant à la fois les images US classiques et CEUS.
La partie DL
Prétraitement de l’image
L’examen a généré des données DICOM contenant des images US conventionnelles et CEUS appariées pour chaque patient. Ces images DICOM ont été converties en images raster standard, et les régions d’intérêt des images US conventionnelles et CEUS ont été recadrées et redimensionnées à 512 × 512 pixels (384 × 384 pixels pour les modèles VisionTransformer) et normalisées selon la moyenne et les couleurs standards.
Les deux images ont été converties en niveaux de gris en utilisant les coefficients ITU-R BT.709. Pour l’image composite RGB finale, l’image US conventionnelle en niveaux de gris a été assignée au canal R, et l’image CEUS en niveaux de gris au canal G, tandis que le canal B était à zéro. Ces images composites ont ensuite été utilisées pour l’analyse DL avec un faible coût computationnel pour dériver une covariable prédictive basée sur l’image (iP: 0–1).
Analyse DL sur CEUS et images US conventionnelles
Nous avons mis en œuvre plusieurs architectures : EfficientNet B0, B4, B8, et ViT Base/16, toutes pré-entraînées sur ImageNet et importées de la bibliothèque de modèles d’images PyTorch. Pendant l’entraînement, un processus d’augmentation d’image a été appliqué pour réduire le surapprentissage et les déséquilibres d’échantillons.
Pour l’optimisation des hyperparamètres, l’ensemble d’entraînement a été davantage divisé en ensembles d’entraînement et de validation dans un rapport de 4:1. Après avoir déterminé les hyperparamètres optimaux à l’aide de l’ensemble de validation interne, le modèle final a été entraîné en utilisant l’ensemble d’entraînement complet. Chaque modèle était entraîné en utilisant l’entropie croisée binaire comme fonction de perte, avec activation sigmoïde. L’entraînement a été réalisé en utilisant l’optimiseur Adam avec un taux d’apprentissage de 1e-3, une taille de lot de deux, et 30 époques.
La partie ML
Caractéristiques d’imagerie dans CEUS et US conventionnel
Toutes les caractéristiques d’imagerie ont été évaluées par deux spécialistes en chirurgie mammaire ayant respectivement 9 et 34 ans d’expérience, puis validées par des radiologues. L’accord interobservateur a été évalué sur 80 patients choisis au hasard. Des valeurs numériques spécifiques sont répertoriées dans le Tableau S1. Les taux de positivité pour chaque caractéristique d’US dans les cohortes d’entraînement et de test sont listés dans le Tableau S2.
Pour les tumeurs mammaires primaires, l’évaluation US conventionnelle comprenait la catégorie BI-RADS et les diamètres longs et courts des lésions invasives. L’évaluation CEUS des tumeurs primaires comprenait également leurs diamètres longs et courts, ainsi que neuf constatations spécifiques. En ce qui concerne les ALN, l’évaluation US conventionnelle se composait des longs et courts diamètres et de neuf caractéristiques mentionnées.
Les caractéristiques ont été converties dans un format tabulaire en les quantifiant sous forme binaire (0 ou 1), catégorielle, ou mesure scalaire comme les diamètres des lésions.
LightGBM et sélection des caractéristiques
L’analyse des données tabulaires a incorporé deux types de caractéristiques d’entrée : iP dérivées du DL et caractéristiques d’imagerie. Les paramètres du modèle LightGBM ont été optimisés par divers réglages pour minimiser le surapprentissage, ce qui a conduit à la création de cinq modèles distincts.
Métriques d’évaluation
La performance des modèles a été évaluée en utilisant l’ensemble de test. La sortie modifiée (final P) a subi une transformation logistique pour contraindre les probabilités prédites entre 0 et 1. La performance a été évaluée en comparant le final P avec les étiquettes de vérité à différents seuils en utilisant plusieurs métriques.
Analyse statistique
Les différences cliniques et pathologiques entre les cohortes d’entraînement et de test ont été comparées à l’aide du test t ou du test U de Mann-Whitney. Le test kappa a été utilisé pour évaluer l’accord interobservateur. Le test de DeLong a servi à comparer deux courbes caractéristiques de fonctionnement des récepteurs et à comparer les diagnostics ML et cliniques. Toutes les analyses statistiques étaient bilatérales, et un p-valeur < 0,05 indiquait une signification statistique.
Logiciels et mise en œuvre
Les analyses DL ont été réalisées en utilisant Python 3.12.8 et PyTorch 2.3.0. Les analyses des données tabulaires ont été effectuées avec LightGBM 4.3.0. Les analyses statistiques ont été menées à l’aide de Bell Curve pour Excel 4.04 et R 4.3.1.
Points à retenir
- Une étude rétrospective a examiné 788 patients atteints de cancer du sein au stade précoce, mettant en évidence l’importance de l’évaluation des métastases axillaires.
- Les méthodes d’imagerie avancées, notamment la CEUS, améliorent la détection des métastases dans les ganglions lymphatiques axillaires.
- Les modèles d’apprentissage approfondi et machine sont utilisés ensemble pour prédire la présence de métastases axillaires.
En conclusion, cette étude aborde des enjeux importants dans la prise en charge du cancer du sein, en soulignant la nécessité d’améliorer les méthodes de détection des métastases. L’intégration de l’apprentissage machine et des techniques d’imagerie avancées ouvre la perspective d’une prise en charge plus fine et personnalisée des patients. Ce sujet mérite une attention continue et un débat approfondi parmi les professionnels de la santé.
L’étude met en lumière des méthodes d’imagerie qui peuvent vraiment changer la donne. J’apprécie l’harmonie entre la technologie et les soins apportés aux patients.
Cette étude met vraiment en lumière l’importance de l’imagerie avancée dans le diagnostic précoce du cancer. Qui aurait pensé que l’apprentissage machine et l’échographie pouvaient collaborer si bien ?
Il est fascinant de voir comment la fusion de l’imagerie avancée et de l’apprentissage machine révolutionne la détection des métastases. Une étape importante pour des traitements plus personnalisés !
Cette étude est fascinante et montre comment la technologie peut vraiment aider à améliorer le diagnostic du cancer. J’espère que ces avancées seront rapidement mises en pratique pour aider plus de patients.
Cette étude met vraiment en lumière l’importance des méthodes d’imagerie avancées ! J’adore voir comment la technologie transforme la détection des cancers. C’est prometteur pour l’avenir !