Apprentissage profond pour améliorer la détection précoce du cancer du sein lors des mammographies de dépistage

Le développement rapide des techniques d'apprentissage profond, une famille de méthodes d'apprentissage automatique, a suscité un grand intérêt pour leur application aux problèmes d'imagerie médicale. Dans ce travail, nous développons un algorithme d'apprentissage profond capable de détecter avec précision le cancer du sein sur les mammographies de dépistage en utilisant une approche de formation « end-to-end » qui utilise efficacement des ensembles de données d'entraînement avec soit une annotation clinique complète, soit uniquement le statut de cancer (étiquette) de l'image entière. Dans cette approche, les annotations des lésions ne sont nécessaires que lors de la première phase d'entraînement, et les phases ultérieures n'exigent que des étiquettes au niveau de l'image, éliminant ainsi la dépendance aux annotations des lésions rarement disponibles. Notre méthode basée sur un réseau neuronal entièrement convolutif pour la classification des mammographies de dépistage a obtenu d'excellentes performances par rapport aux méthodes précédentes. Sur un ensemble de test indépendant composé de mammographies numérisées sur pellicule provenant de la Digital Database for Screening Mammography (DDSM), le meilleur modèle unique a atteint une AUC par image de 0,88, et la moyenne des quatre modèles a amélioré l'AUC à 0,91 (sensibilité : 86,1 %, spécificité : 80,1 %). Sur un ensemble de validation composé d'images de mammographie numérique à champ complet (FFDM) provenant de la base de données INbreast, le meilleur modèle unique a atteint une AUC par image de 0,95, et la moyenne des quatre modèles a amélioré l'AUC à 0,98 (sensibilité : 86,7 %, spécificité : 96,1 %). Nous montrons également qu'un classifieur d'image entière formé à l'aide de notre approche « end-to-end » sur les mammographies numérisées sur pellicule DDSM peut être transféré aux images FFDM INbreast en utilisant seulement une sous-partie des données INbreast pour le réglage fin et sans dépendance supplémentaire à la disponibilité des annotations des lésions. Ces résultats montrent que les méthodes automatiques d'apprentissage profond peuvent être facilement formées pour atteindre une haute précision sur différentes plateformes mammographiques hétérogènes et offrent un immense potentiel pour améliorer les outils cliniques afin de réduire les faux positifs et les faux négatifs dans les résultats des mammographies de dépistage.