La validation clinique d’un diagnostic pathologique amélioré par l’intelligence artificielle montre des gains significatifs en termes de précision diagnostique dans la détection du cancer de la prostate.
Patricia Raciti, MD ; Jillian Sue, MS ; Juan A. Retamero, MD ; Rodrigo Ceballos, MSc ; Ran Godrich, MS ; Jeremy D. Kunz, MSc ; Adam Casson, BS ; Dilip Thiagarajan, MS ; Zahra Ebrahimzadeh, MSc ; Julian Viret, MEng ; Donghun Lee, MEng ; Peter J. Schüffler, DrSc ; George DeMuth, MS ; Emre Gulturk, MSc ; Christopher Kanan, PhD ; Brandon Rothrock, PhD ; Jorge Reis-Filho, MD, PhD, FRCPath ; David S. Klimstra, MD ; Victor Reuter, MD ; Thomas J. Fuchs, DrSc
Application indépendante dans le monde réel d’un système automatisé de détection du cancer de la prostate de qualité clinique
Leonard M da Silva, Emilio M Pereira, Paulo Go Salles, Ran Godrich, Rodrigo Ceballos, Jeremy D Kunz, Adam Casson, Julian Viret, Sarat Chandarlapaty, Carlos Gil Ferreira, Bruno Ferrari, Brandon Rothrock, Patricia Raciti, Victor Reuter, Belma Dogdas, George DeMuth, Jillian Sue, Christopher Kanan, Leo Grady, Thomas J Fuchs, Jorge S Reis-Filho, intelligence artificielle ; apprentissage profond ; diagnostic ; histopathologie ; apprentissage automatique ; cancer de la prostate ; dépistage, Les systèmes basés sur l’intelligence artificielle (IA) appliqués aux images d’histopathologie sur lame entière ont le potentiel d’améliorer les soins aux patients en atténuant les défis posés par la variabilité du diagnostic, la charge de travail en histopathologie et la pénurie de pathologistes. Nous avons cherché à définir la performance d’un système de détection automatique du cancer de la prostate basé sur l’IA, Paige Prostate, lorsqu’il est appliqué à des données indépendantes du monde réel. L’algorithme a été utilisé pour classer les lames en deux catégories : bénignes (pas d’examen supplémentaire nécessaire) ou suspectes (analyse histologique et/ou immunohistochimique supplémentaire nécessaire). Nous avons évalué la sensibilité, la spécificité, les valeurs prédictives positives (VPP) et les valeurs prédictives négatives (VPN) d’un pathologiste local, de deux pathologistes centraux et de Paige Prostate dans le diagnostic de 600 régions de biopsie de la prostate par aiguille guidée par échographie transrectale ( » échantillons partiels « ) provenant de 100 patients consécutifs, et nous avons vérifié l’impact de Paige Prostate sur la précision et l’efficacité du diagnostic. Paige Prostate a affiché une sensibilité (0,99 ; IC 0,96-1,0), une VPN (1,0 ; IC 0,98-1,0) et une spécificité (0,93 ; IC 0,90-0,96) élevées au niveau du prélèvement partiel. Au niveau du patient, Paige Prostate a affiché une sensibilité (1,0 ; IC 0,93-1,0) et une VPN (1,0 ; IC 0,91-1,0) optimales pour une spécificité de 0,78 (IC 0,64-0,89). Les 27 échantillons partiels considérés comme suspects par Paige Prostate, dont le diagnostic final était bénin, comprenaient une atrophie (n = 14), une atrophie et du tissu prostatique apical (n = 1), du tissu prostatique apical/bénin (n = 9), une adénose (n = 2) et une hyperplasie post-atrophique (n = 1). Paige Prostate a permis d’identifier quatre patients supplémentaires dont le diagnostic est passé de bénin/suspicieux à malin. En outre, ce test basé sur l’IA a permis une réduction estimée à 65,5 % du temps de diagnostic pour le matériel analysé. Compte tenu de sa sensibilité et de sa VPN optimales, la prostate Paige peut être utilisée pour l’identification automatisée des patients dont les lames histologiques pourraient renoncer à un examen histopathologique complet. En plus de fournir des améliorations progressives en matière de précision et d’efficacité du diagnostic, ce système basé sur l’IA a permis d’identifier les patients dont le cancer de la prostate n’avait pas été initialement diagnostiqué par trois histopathologistes expérimentés. © 2021 Les auteurs. The Journal of Pathology publié par John Wiley & Sons, Ltd. au nom de la Pathological Society of Great Britain and Ireland.
Une évaluation indépendante d’un système d’intelligence artificielle pour la détection du cancer de la prostate révèle une grande précision de diagnostic
Modern Pathology, Sudhir Perincheri, Angelique Wolf Levi, Romulo Celli, Peter Gershkovich, David Rimm, Jon Stanley Morrow, Brandon Rothrock, Patricia Raciti, David Klimstra, John Sinard, Le cancer de la prostate est une cause majeure de morbidité et de mortalité chez les hommes adultes aux États-Unis. Le diagnostic de carcinome de la prostate est généralement posé sur des biopsies à l’aiguille de la prostate obtenues par une approche transrectale. Ces biopsies peuvent représenter une part importante de la charge de travail des pathologistes, mais la variabilité de l’expérience et de l’expertise, ainsi que la fatigue du pathologiste, peuvent nuire à la fiabilité de la détection du cancer. Les algorithmes d’apprentissage automatique sont de plus en plus développés comme outils d’aide et d’amélioration de la précision du diagnostic en anatomopathologie. Le diagnostic numérique basé sur l’IA Paige Prostate est l’un de ces outils, entraîné sur les archives de diapositives numériques du Memorial Sloan Kettering Cancer Center (MSKCC) de New York, qui classe une image de diapositive complète de biopsie de la prostate comme « suspecte » ou « non suspecte » d’adénocarcinome prostatique. Pour évaluer les performances de ce programme sur des biopsies de la prostate obtenues, traitées et diagnostiquées de manière indépendante dans une institution non apparentée, nous avons utilisé Paige Prostate pour examiner 1876 images de lames entières (WSI) de biopsies de la prostate provenant de notre pratique à Yale Medicine. Les catégorisations de la prostate de Paige ont été comparées au diagnostic pathologique initialement rendu sur les lames de verre pour chaque biopsie par carottage. Les divergences entre le diagnostic rendu et la catégorisation par Paige Prostate ont chacune été revues manuellement par des pathologistes spécialisés en pathologie génito-urinaire. Paige Prostate a montré une sensibilité de 97,7 % et une valeur prédictive positive de 97,9 %, ainsi qu’une spécificité de 99,3 % et une valeur prédictive négative de 99,2 % dans l’identification des biopsies centrales avec cancer dans un ensemble de données provenant d’une institution indépendante. Des points à améliorer ont été identifiés dans le traitement par Paige Prostate des scans de mauvaise qualité. Dans l’ensemble, ces résultats démontrent la faisabilité de la transposition d’un algorithme d’apprentissage automatique à une institution éloignée de son ensemble d’apprentissage, et soulignent le potentiel de ces algorithmes en tant qu’outil de flux de travail puissant pour l’évaluation des biopsies de la prostate dans les pratiques de pathologie chirurgicale.
Un nouveau système d’intelligence artificielle permet d’améliorer la détection du cancer de la prostate dans les images de lames entières de biopsies à l’aiguille.
Modern Pathology, Patricia Raciti, Jillian Sue, Rodrigo Ceballos, Ran Godrich, Jeremy D. Kunz, Supriya Kapur, Victor Reuter, Leo Grady, Christopher Kanan, David S. Klimstra, Thomas J. Fuchs, Le cancer de la prostate (PrCa) est le deuxième cancer le plus fréquent chez les hommes aux États-Unis. L’examen des biopsies carottées à l’aiguille de la prostate constitue la référence pour la détection du PrCa. Le diagnostic peut être difficile, surtout pour les petits cancers bien différenciés. Récemment, des algorithmes d’apprentissage automatique ont été développés pour détecter le PrCa dans des images de lames entières (WSI) avec une grande précision de test. Cependant, l’impact de ces systèmes d’intelligence artificielle sur le diagnostic pathologique n’est pas connu. Pour répondre à cette question, nous avons étudié comment les pathologistes interagissent avec Paige Prostate Alpha, un système de détection PrCa de pointe, dans les WSI de biopsies de la carotte de la prostate colorées à l’hématoxyline et à l’éosine. Trois pathologistes certifiés AP-board ont évalué 304 WSI anonymisés de biopsies de la prostate par aiguille en 8 heures. Les pathologistes ont classé chaque WSI comme étant bénin ou cancéreux. Après ~4 semaines, les pathologistes ont été chargés de réexaminer chaque WSI à l’aide de Paige Prostate Alpha. Pour chaque WSI, Paige Prostate Alpha a été utilisé pour effectuer la détection du cancer et, pour les WSI où un cancer a été détecté, le système a marqué la zone où le cancer a été détecté avec la plus grande probabilité. Le diagnostic original de chaque lame a été rendu par des pathologistes génito-urinaires et a incorporé toute étude auxiliaire demandée lors de l’évaluation diagnostique originale. Par rapport à cette vérité de base, les pathologistes et Paige Prostate Alpha ont été mesurés. Sans Paige Prostate Alpha, les pathologistes avaient une sensibilité moyenne de 74% et une spécificité moyenne de 97%. Avec Paige Prostate Alpha, la sensibilité moyenne des pathologistes a augmenté de manière significative pour atteindre 90 %, sans changement statistiquement significatif de la spécificité. Avec Paige Prostate Alpha, les pathologistes ont plus souvent classé correctement les tumeurs plus petites et de grade inférieur, et ont passé moins de temps à analyser chaque WSI. Des études futures permettront de déterminer si un tel système peut être utilisé pour détecter d’autres formes de cancer dans un contexte plus proche de la pratique réelle.
Pathologie informatique de qualité clinique utilisant l’apprentissage profond faiblement supervisé sur des images de lames entières
Nature Medicine, Gabriele Campanella, Matthew G. Hanna, Luke Geneslaw, Allen Miraflor, Vitor Werneck Krauss Silva, Klaus J. Busam, Edi Brogi, Victor E. Reuter, David S. Klimstra, Thomas J. Fuchs, Le développement de systèmes d’aide à la décision pour la pathologie et leur déploiement dans la pratique clinique ont été entravés par le besoin de grands ensembles de données annotées manuellement. Pour surmonter ce problème, nous présentons un système d’apprentissage profond basé sur l’apprentissage d’instances multiples qui n’utilise que les diagnostics rapportés comme étiquettes pour la formation, évitant ainsi les annotations manuelles par pixel coûteuses et longues. Nous avons évalué ce cadre à l’échelle sur un ensemble de données de 44 732 images de lames entières provenant de 15 187 patients sans aucune forme de traitement des données. Les tests sur le cancer de la prostate, le carcinome basocellulaire et les métastases du cancer du sein dans les ganglions lymphatiques axillaires ont donné des aires sous la courbe supérieures à 0,98 pour tous les types de cancer. Son application clinique permettrait aux pathologistes d’exclure 65-75% des lames tout en conservant une sensibilité de 100%. Nos résultats montrent que ce système a la capacité d’entraîner des modèles de classification précis à une échelle sans précédent, jetant ainsi les bases du déploiement de systèmes informatiques d’aide à la décision dans la pratique clinique.
