Deep.piste l'IA peut-elle améliorer le dépistage organisé du cancer du sein en France? - Institut National Du Cancer
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Deep.piste
Photographie de Pablo Heimplatz
l’IA peut-elle améliorer le dépistage organisé du cancer
du sein en France?
Francisco ORCHARD Docteur Antoine KHREICHE
Data Scientist - Epiconcept Médecin Directeur Général - CRCRC-OC
Deep.piste - Contexte
Le Cancer du Sein
Le cancer du sein est le premier cancer mortel chez la femme en France. 54 000 nouveaux cas détectés chaque année
et 12 000 décès.
Le dépistage a permis une réduction de la mortalité par cancer grâce au diagnostic précoce. La survie à 5 ans pour un
cancer détecté par le dépistage à un stade précoce (O ou 1) est de 99%
Performance du dépistage
17% des cancers diagnostiqués dans le dépistage sont des cancers de l’intervalle.
80% des tests positifs ne sont finalement pas des cancers.
Les données sources
La région Occitanie dématérialise, depuis fin 2014 dans les départements du Gard et de la Lozère, certaines données
du dépistage organisé du cancer du sein (60.000 mammographies annotées, 250.000 images DICOM).
Le SNDS (Système National des Données de Santé) enregistre l’ensemble de remboursements et actes hospitaliers
associés au cancer du sein.
2
Deep.piste - Contexte
L’IA et le dépistage
l’IA dépasse les performances des humains sur l’identification des objets du quotidien.
En 2017 Therapixel (FR) gagne un concours international : le Digital Mammography Dream Challenge.
Ils soumettent la lecture de 630.000 mammographies à l’IA qui a été capable d’identifier avec succès leur
classification ACR.
En 2019 l'équipe de recherche de NYU propose un protocole qui combine un algorithme avec les avis des radiologues
pour améliorer la performance du dépistage de cancer du sein.
Le Health Data Hub
En 2019, le HDH(plateforme d’exploitation des données) sélectionne Deep.piste pour faire partie de 10 projets
pilotes visant à tester la plateforme et à terme enrichir le SNDS.(Système National des Données de Santé)
Les critères de choix ont été la maturité, le caractère innovant en ma6ère d’exploita6on des données, l’intérêt public,
les bénéfices poten6els a
La dématerialisation au CRCDC-OC
Femme
dépistée
Cabinet Radiologie (No démat) Cabinet Radiologie (démat)
L1 L1
BDD DOCS
250.000 images DICOM
annotées
Secrétariat
L2 négatoscope L2 console
4
Deep.piste - Objectif de l’Etude
Estimer l’impact en santé publique qu’aurait une IA en appui au dispositif
du Dépistage Organisé du cancer du sein
positif
Dépistage 1ère Lecture Prise en charge rapide Décès évité
organisé négatif
positif Comparer avec
2ème lecture ou sans IA
négatif
Femmes entre 50
5 et 74 ans Algorithme
Deep.piste - Objectifs
● Objectifs principaux
○ Peut-on réduire le nombre des cancers de l’intervalle?
○ Quel Impact l’IA peut-elle avoir sur le diagnostic du cancer du sein dans le dépistage?
○ Peut-on personnalisation du délai entre 2 mammographies de dépistage?
● Objectifs secondaires
○ Améliorer la performance des algorithmes avec les données collectées
systématiquement (DOCS, SNDS)
○ Définir un barème des performances des algorithmes d’identification
de cancer du sein
○ Promouvoir l’accessibilité des données
6
Deep.piste - Structure de l’étude
Etude rétrospective sur 150 000 femmes de la Région Occitanie
T1 2020 T2 2020 T3 2020 T4 2020 T4 2020
Données du Appariement Algorithmes Evaluation des Estimation
dépistage avec SNDS hypothèses d’impact
● Images DICOM ● Cancers de l’intervalle ● Entraînement des
● Augmentation de la ● Nb des femmes qui
● Fiches d’interpretation ● Traces de Facteurs de modèles (open source) précision à sensibilité auraient pu être
● Questionnaire médical risque: ○ Identification et équivalente. épargnés d’un test
● HIstorique de ○ Appareil risque de cancer ● Augmentation de la positif.
dépistages reproducteur ○ Image seule et/ou
sensibilité à précision ● Nb des cancers de
○ Comorbidités facteurs de risque
équivalente. l’intervale que ’auraient
○ Transfert learning
● Identification de pu être évités.
● Application à
groupes des femmes ● Proportion des
differents points du avec des incidences femmes atteignable
parcours du dépistage CS N +2 differentes. avec une
recommandation de
dépistage personnalisé
7
Deep.piste - l’accompagnement par le HDH
❖ Cadre légale nécessaire à la réalisation du projet et au partage des données
❖ Accompagnement pour les démarches juridiques (CNIL, SNDS)
❖ Accès à une plateforme de calcul haute performance
❖ Soutien humain et financier pour la production des données, et l’information des patients
❖ Possibilité de rendre des données du parcours médical accessibles à la communauté
scientifique
❖ Mise en valeur des résultats
❖ Réflexion sur le modèle économique pour les producteurs de données
8 Photographie de Samuel Zeller
Deep.piste - Equipe
Prof. Pierre Mares Dr. Antoine Khreiche Prof. Krzysztof Geras Prof. Fabien Reyal Dr. Pierre de Brunanchon
CRCDC-OC CRCDC-OC NYU Institut Curie Centre Rouget de Lisle
Référent Dépistage Droits des patients Référent analyse d’images Réferent cancer du sein Référent Radiologie
Guillaume Jeannerod Frederic Grezis Thomas Czernichow Pauline Anoni Francisco Orchard
Epiconcept Epiconcept Epiconcept Epiconcept Epiconcept
9
Référent cadre légal Référent e-SIS Architecture IA Communication Coordination / Data Scientist
Vous pouvez aussi lire
