Pourquoi estimer le risque de cancer du poumon à l'avance ?
Le scanner thoracique à faible dose est un examen de dépistage efficace du cancer du poumon, mais la plupart des personnes qui pourraient en bénéficier ne le passent pas. Des outils capables d'évaluer le risque futur d'un individu pourraient aider à concentrer les efforts sur ceux qui en profiteraient le plus.
L'idée de l'équipe a été de faire lire à une IA l'ensemble du volume du scanner pour en tirer un risque individuel, sans demander d'informations supplémentaires sur la personne.
Comment Sybil a-t-il été construit et testé ?
Les chercheurs ont entraîné un modèle d'apprentissage profond (une IA qui apprend à partir d'exemples) sur les scanners d'un grand essai américain de dépistage, le National Lung Screening Trial. Sybil analyse l'ensemble du volume 3D d'un seul scanner. Il n'a besoin ni de données cliniques ni d'annotations d'un radiologue, et il peut tourner en temps réel, en arrière-plan, sur le poste de lecture.
Il a ensuite été vérifié sur trois jeux de données indépendants : 6 282 scanners mis de côté du NLST, 8 821 scanners du Massachusetts General Hospital (États-Unis) et 12 280 scanners du Chang Gung Memorial Hospital (Taïwan), où figuraient aussi des personnes sans antécédent de tabagisme.
Quels sont les résultats ?
Pour le risque à un an, l'aire sous la courbe (un score de 0,5 pour le hasard à 1 pour la perfection) est de 0,92 sur le NLST, de 0,86 au Massachusetts General Hospital et de 0,94 à Chang Gung. Sur 6 ans, l'indice de concordance (qui mesure si le modèle classe correctement qui développe un cancer avant qui n'en développe pas) est de 0,75, 0,81 et 0,80.
Les auteurs concluent que Sybil peut estimer avec précision le risque futur de cancer du poumon d'un individu à partir d'un seul scanner, ce qui ouvre la voie à un dépistage plus personnalisé. Le modèle et ses annotations sont publics.
Les chiffres clés
- 0,92 / 0,86 / 0,94aire sous la courbe pour le cancer du poumon à un an (NLST, Massachusetts General Hospital, Chang Gung)
- 0,75 / 0,81 / 0,80indice de concordance sur 6 ans pour les mêmes trois jeux de données
- 27 383scanners au total dans les trois jeux de validation (6 282 + 8 821 + 12 280)
Qu'est-ce que ça change pour les patients ?
À terme, un tel outil pourrait aider à adapter le suivi : surveiller de plus près les personnes au risque estimé plus élevé, et inviter plus efficacement au dépistage. Les auteurs soulignent que cela devra être confirmé par des essais cliniques prospectifs.
Pour l'instant, Sybil n'est pas un test de diagnostic. Il estime un risque, pas un cancer présent.
Quelles sont les limites ?
L'étude est entièrement rétrospective : les scanners ont été analysés après coup. Les personnes étudiées participaient déjà à un dépistage, on ne sait donc pas si Sybil repère des cancers survenus en dehors d'un programme de dépistage. À Taïwan, les chercheurs n'avaient pas de données détaillées sur le tabagisme.
Les groupes étudiés ne comptent pas assez de personnes noires ou hispaniques pour être sûr que l'outil fonctionne chez tous. Les auteurs écrivent que les applications cliniques de Sybil restent à étudier.
Scanner thoracique : préparer ton suivi avec Mima
Sybil est un travail de recherche : ton scanner n'est pas relu avec cet outil en routine. À terme, il pourrait aider à adapter le suivi, après des essais cliniques.
Avec Mima, tu peux noter tes dates de scanner et leurs résultats, et préparer tes questions. Une question concrète : « À quel rythme dois-je refaire un scanner, et pourquoi ce rythme ? »
Questions fréquentes
Sybil détecte-t-il un cancer déjà présent ?
Non, il estime le risque de cancer du poumon dans les années suivantes à partir d'un seul scanner de dépistage. Un diagnostic repose sur d'autres examens et sur l'avis de médecins.
Faut-il fournir des informations médicales à Sybil ?
Non. D'après l'étude parue dans le Journal of Clinical Oncology en 2023, il ne nécessite qu'un scanner, sans données cliniques ni annotations de radiologue.
Sybil est-il déjà utilisé en routine ?
L'étude n'indique pas qu'il soit utilisé en routine. Elle conclut que son utilité clinique doit encore être étudiée.
Le modèle est-il accessible aux chercheurs ?
Oui. Les auteurs précisent que leur modèle et leurs annotations sont publiquement disponibles.
L'étude originale
Mikhael PG, Wohlwend J, Yala A, et al. « Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. » Journal of Clinical Oncology, 12 janvier 2023. DOI : 10.1200/JCO.22.01345
Lire l'étude complète dans le Journal of Clinical OncologyCet article résume une étude scientifique et ne remplace pas un avis médical.