REDMOD : une IA radiomique repère un cancer du pancréas 16 mois plus tôt en médiane

Un modèle de radiomique développé à la Mayo Clinic a identifié 73 % des cancers du pancréas sur des scanners abdominaux que les radiologues avaient lus comme normaux. L'écart médian entre le signalement de l'IA et le diagnostic histopathologique était de 475 jours, soit environ 16 mois. Selon l'étude publiée dans Gut par Mukherjee et ses collègues, le modèle, baptisé REDMOD (Radiomics-based Early Detection MODel), a repéré près de deux fois plus de cas que des lecteurs experts. Le résultat est rétrospectif, et le modèle n'est pas encore un outil de dépistage. Son taux de faux positifs en est la principale raison, et l'étude esquisse une voie plus étroite vers l'usage clinique.

01Ce que mesure le modèle

REDMOD ne cherche pas de masse. Il analyse des scanners abdominaux de routine à la recherche de modifications subtiles de la texture du tissu pancréatique, susceptibles de refléter les tout premiers effets biologiques de la maladie. La radiomique convertit les voxels de l'image en descripteurs quantitatifs d'intensité, de forme et de texture. Certains de ces descripteurs varient d'une manière qu'un lecteur humain ne peut pas percevoir.

Le pipeline comporte trois étapes, d'après le résumé de l'article publié par l'ASCO Post :

• Segmentation. Une segmentation du pancréas par apprentissage profond alimente une étape d'extraction radiomique qui produit 968 caractéristiques quantitatives par scanner. L'automatisation du contourage est importante car, comme le note le communiqué du BMJ Group, le tracé manuel par des spécialistes introduit des incohérences entre lecteurs. Sa suppression facilite aussi l'exécution de l'outil sur des scanners de routine.
• Sélection des caractéristiques. Une sélection par redondance minimale et pertinence maximale ramène les 968 caractéristiques à 40.
• Classification. Les 40 caractéristiques alimentent un ensemble hétérogène combinant régression logistique et gradient boosting.

Les caractéristiques retenues suggèrent un mécanisme. Environ 90 % provenaient d'images multi-échelles filtrées par ondelettes, qui ont surpassé les données non filtrées (AUC de 0,82 contre 0,74 ; P = 0,007). Le filtrage par ondelettes sépare la structure de l'image selon l'échelle spatiale. Le signal se logerait donc dans une hétérogénéité fine du parenchyme plutôt que dans un élément directement visible par un lecteur. Il s'agit d'une inférence tirée de la distribution des caractéristiques, qui ne montre pas ce qui se passe dans le tissu. Les auteurs décrivent le modèle comme fondé sur un mécanisme, mais la biologie qui sous-tend la modification de texture n'est pas établie par ce travail.

02Entraînement et validation sur des scanners antérieurs au diagnostic

Le jeu de données est la partie inhabituelle de l'étude. Il comprend 1 462 scanners : 219 scanners pré-diagnostiques de patients ayant ensuite reçu un diagnostic d'adénocarcinome canalaire pancréatique (PDAC), et 1 243 témoins avec au moins trois ans de suivi sans cancer. Chaque scanner de cas avait été lu comme normal au moment de sa réalisation. Selon le communiqué du BMJ Group, les témoins ont été appariés sur l'âge, le sexe et la date du scanner.

Les délais d'anticipation variaient. D'après le communiqué, 87 patients (40 %) ont été scannés 3 à 12 mois avant le diagnostic, 76 (35 %) 12 à 24 mois avant, et 56 (25 %) plus de 24 mois avant. Environ 64 % des tumeurs siégeaient dans la tête du pancréas.

La répartition était la suivante :

Ces chiffres proviennent du compte rendu de Diagnostic Imaging sur l'article. Dans le jeu de test, les cas représentaient environ 13 % des scanners, soit une prévalence bien plus élevée que celle d'une population de dépistage réelle.

Deux vérifications supplémentaires ont été menées au-delà du jeu de test :

• Spécificité externe. La spécificité était de 81,3 % dans un ensemble multi-institutionnel de 539 patients et de 87,5 % dans un ensemble public de 80 patients.
• Stabilité longitudinale. La concordance était de 90 à 92 % sur des scanners répétés chez les mêmes patients. Selon les auteurs, cela plaide pour un véritable signal biologique plutôt que pour du bruit.

Une réserve issue de commentaires indépendants : le jeu de test réservé était indépendant, mais provenait de la même cohorte multi-institutionnelle qui avait façonné la conception du modèle. Les ensembles externes n'ont validé que la spécificité. La sensibilité n'a jamais été vérifiée sur une cohorte extérieure de cancers pré-diagnostiques.

03Performances face aux radiologues

Au délai d'anticipation médian, les tests indépendants ont donné une AUC de 82 %, une sensibilité de 73 % et une spécificité de 81,1 %. Les comparateurs étaient deux radiologues abdominaux ayant trois ans d'expérience après l'internat. Ils ont atteint une sensibilité de 38,9 % sur les mêmes scanners, soit 34,1 points de pourcentage de moins que REDMOD. Pour les scanners réalisés plus de 24 mois avant le diagnostic, la sensibilité de REDMOD était de 68 %, contre 23 % pour les lecteurs.

Cet écart est plausible. Un lecteur qui cherche une masse, une interruption du canal ou une modification du contour a peu de choses à trouver deux ans avant le diagnostic, alors qu'un modèle de texture peut encore détecter un signal.

Le compromis se joue sur la spécificité. Les radiologues ont correctement écarté la maladie chez 92,2 % des patients indemnes dans le jeu de test principal, contre 81,1 % pour REDMOD. Le taux de faux positifs du modèle s'établit ainsi à environ 18,9 %, soit à peu près 2,4 fois celui des lecteurs (7,8 %).

Un exemple hypothétique montre pourquoi c'est important. Supposons que 1 personne scannée sur 100 développe un PDAC. Ce chiffre est illustratif et ne provient pas de l'étude. Avec une sensibilité de 73 % et une spécificité de 81,1 %, 1 000 scanners produiraient environ 7 vrais positifs et environ 187 faux positifs. Moins de 4 % des signalements correspondraient à de vrais cancers. La valeur prédictive positive dépend fortement de la prévalence, et le jeu de test enrichi de l'étude ne permet pas de savoir comment le modèle se comporterait dans une population non sélectionnée.

04Ce qui sépare REDMOD du dépistage clinique

Les auteurs et des commentateurs extérieurs soulèvent plusieurs limites.

1. Conception rétrospective. Des données rétrospectives peuvent montrer qu'un signal existait dans d'anciens scanners. Elles ne peuvent pas montrer comment le modèle se comporte lorsqu'il est utilisé sur de vrais patients en temps réel. Le biais d'avance au diagnostic n'est pas non plus traité. Détecter un cancer 16 mois plus tôt n'a d'intérêt que si ce temps supplémentaire modifie l'issue.
2. Diversité de la population. La population de l'étude manquait de diversité ethnique, ce qui pourrait affecter les performances dans d'autres groupes.
3. Population cible. La Mayo indique lancer une étude prospective appelée AI-PACED. Elle suivra dans le temps la détection précoce, les faux positifs et les issues chez des patients à haut risque. Parmi les candidats figurent les personnes atteintes d'un diabète de survenue récente. Un diabète de survenue récente chez des personnes de 50 ans ou plus a été identifié comme un possible indicateur précoce de PDAC. Le dépistage en population générale est une tout autre question. Un dépistage à grande échelle a peu de chances d'être efficace parce que ce cancer est rare, et l'US Preventive Services Task Force ne le recommande pas.
4. Statut réglementaire. Le modèle est expérimental et n'est approuvé ni pour un usage clinique ni pour le dépistage en population. Goenka a avancé qu'il pourrait falloir trois à cinq ans pour qu'il parvienne au public. C'est une estimation, pas un engagement.

Un signalement positif est par ailleurs un signal de risque, non un diagnostic. La suite dépend des antécédents cliniques : nouveau scanner, échoendoscopie, prélèvement tissulaire ou surveillance prolongée. Le circuit de prise en charge d'un scanner signalé compte autant que le modèle, et personne ne l'a encore testé.

Les enjeux expliquent l'intérêt suscité. Les auteurs citent des modélisations selon lesquelles faire passer la part de PDAC localisés de 10 % à 50 % ferait plus que doubler la survie. REDMOD montre qu'un signal calculable existe dans des scanners qui paraissaient normaux. Reste à savoir si agir sur ce signal sauve des vies : la réponse viendra de données prospectives, pas de la sensibilité rétrospective.