Performance diagnostique d’un modèle d’apprentissage profond pour la prédiction de la sous-estimation de cancer du sein : expérience du CHU Grenoble Alpes sur 89 lésions frontières (B3)

Abstract

Objectifs de l’étude

L’amélioration des techniques d’imageries pour le dépistage du cancer du sein est responsable depuis plusieurs années d’une augmentation du nombre de biopsies mammaires et de la découverte de lésions frontières (catégorie B3). Elles représentent environ 7 à 9 % des biopsies et sont un groupe hétérogène d’anomalies histologiques présentant un risque de sous-estimation néoplasique de 9,9 % à 35,1 %. Si certains critères cliniques, radiologiques ou histologiques sont connus pour majorer le risque de sous-estimation de ces lésions frontières, il n’existe pas à l’heure actuelle de recommandation officielle sur leur prise en charge qui reste pays- et centre-dépendant. L’objectif de ce travail était d’étudier les performances d’un modèle d’apprentissage profond pour prédire la malignité des pièces opératoires d’anomalies mammographiques macrobiopsiées et correspondant à des lésions frontières B3.

Matériel et méthodes

Cette étude rétrospective monocentrique a inclus 89 lésions frontières macrobiopsiées correspondant à des anomalies mammographiques chez 86 patientes. L’ensemble des patientes a été opéré avec des résultats histologiques définitifs : 11 cancers, 15 lésions bénignes et 63 lésions frontières. Le modèle Transpara® a été appliqué a posteriori (pour 79 lésions) et a priori (pour dix lésions) sur les mammographies bidimensionnelles. Les performances de l’algorithme ont été analysées sur les lésions B2 définitives (absence de prise en charge) et les lésions B5 définitives (chirurgie complémentaire). Elles ont été illustrées sous la forme d’une courbe receiver operating characteristic et d’une aire sous la courbe.

Résultats

Les performances du modèle avaient une aire sous la courbe de 0,521, avec une sensibilité de 0,36 et une spécificité de 0,87. Les scores de l’intelligence artificielle étaient croissants dans le sens du Breast Imaging-Reporting and Data System (p = 0,004) alors qu’il n’existait pas de différence statistique selon la morphologie ou la distribution des microcalcifications (p = 0,052).

Conclusion

Les cancers infiltrants étaient soit non vus par le modèle (un carcinome infiltrant de type non spécifique), soit vus avec un score intermédiaire (un carcinome lobulaire infiltrant). Le modèle d’intelligence artificielle n’est pas approprié dans une population uniquement constituée de lésions frontières.

Purpose of the study

In recent years, improved imaging techniques for breast cancer screening have led to an increase in the number of breast biopsies and the discovery of lesions of uncertain malignant potential (B3). These represent around 7 to 9% of biopsies, and are a heterogeneous group of histological abnormalities with the risk of neoplastic underestimation (9.9% to 35.1%). Although certain clinical, radiological and histological criteria are known to increase the risk of underestimation of these lesions of uncertain malignant potential, there is currently no official recommendation on their management, which remains country- and centre-dependent. The aim of this work was to study the performance of an artificial intelligence model (Transpara®) in predicting the malignancy of surgical specimens of mammographic abnormalities corresponding to lesions of uncertain malignant potential (B3) (diagnosed on vacuum-assisted biopsy).

Material and methods

This single-center retrospective study included 89 lesions of uncertain malignant potential, diagnosed on vacuum-assisted biopsy, corresponding to mammographic abnormalities in 86 patients. All patients underwent surgery with definitive histological results: 11 cancers, 15 benign lesions and 63 lesions of uncertain malignant potential. The Transpara® model was applied a posteriori (79 lesions) and a priori (ten lesions) on bidimensional mammograms. The algorithm's performance was analyzed for definitive B2 lesions (no treatment) and definitive B5 lesions (additional surgery). They were illustrated in the form of a receiver operating characteristic curve and an area under the curve.

Results

Model performance had an area under the curve of 0.521, with a sensitivity of 0.36 and a specificity of 0.87. Artificial intelligence scores increased in the Breast Imaging-Reporting and Data System direction (P = 0.004), while there was no statistical difference according to morphology or microcalcification distribution (P = 0.052).

Conclusion

Infiltrating cancers were either not seen by the model (one non-specific infiltrating carcinoma), or seen with an intermediate score (one infiltrating lobular carcinoma). The artificial intelligence model is not appropriate in a population consisting solely of borderline lesions.