Capacité diagnostique d’un logiciel d’aide à la décision basé sur l’intelligence artificielle pour les tumeurs cutanées en contexte clinique réel
Introduction
Ces dernières années, l’intelligence artificielle (IA) a suscité un intérêt sans précédent et a été étudiée et appliquée dans de nombreuses disciplines médicales. La dermatologie, en tant que science morphologique intuitive, se prête particulièrement au diagnostic assisté par l’IA. L’IA offre un potentiel prometteur pour le dépistage et le diagnostic des cancers cutanés. Des études récentes ont démontré que des systèmes d’IA en dermatologie, basés sur des algorithmes d’apprentissage profond, peuvent classer les tumeurs cutanées avec une précision comparable à celle des dermatologues, voire supérieure à celle de spécialistes certifiés. Parallèlement, ces outils peuvent améliorer l’accès à des soins de qualité et pallier les disparités dans la répartition des ressources médicales.
Les tumeurs cutanées, notamment les formes malignes, représentent un problème de santé publique majeur. Leur incidence ne cesse d’augmenter, impactant significativement la santé humaine. Les dermatologues établissent généralement leur diagnostic par examen visuel ou à l’aide de techniques d’imagerie telles que la dermoscopie, la microscopie confocale ou l’échographie cutanée. Bien que la dermoscopie améliore la sensibilité et la spécificité du diagnostic par rapport à l’œil nu, une étude récente a révélé que les dermatologues chinois présentent des compétences variables et souvent limitées dans l’interprétation des images dermoscopiques, soulignant la nécessité d’intégrer des outils d’IA pour standardiser les diagnostics.
Le logiciel Youzhi AI, développé en Chine, repose sur la base de données d’images cutanées CSID (Chinese Skin Image Database), l’une des plus vastes du pays. Conçu par l’équipe du projet CSID et Shanghai Maise Information Technology, il a été entraîné sur un jeu de données de plus de 200 000 images dermoscopiques. Son architecture, basée sur le réseau neuronal convolutif GoogLeNet Inception v4, intègre une branche de segmentation en plus de la classification. Labellisées par des dermatologues experts, les images ont permis d’atteindre une précision diagnostique de 91,2 % pour la distinction bénin/malin et de 81,4 % pour la classification des types de lésions, rivalisant avec les standards internationaux.
Cependant, les performances des systèmes d’IA en conditions réelles sont souvent inférieures à celles observées en laboratoire. Aucune évaluation du logiciel Youzhi AI n’avait été réalisée en contexte clinique non filtré. Cette étude vise à combler cette lacune en comparant ses performances à celles de dermatologues dans un environnement réaliste.
Méthodes
Approbation éthique
L’étude a été approuvée par le comité d’éthique de l’hôpital China-Japan Friendship Hospital, avec consentement éclairé des patients.
Population étudiée
Sur 2023 patients admis en dermatologie entre septembre 2017 et juin 2019, 1438 ont été inclus rétrospectivement après exclusion des cas ambigus, des non-tumeurs, des images non conformes ou des traitements préalables. Un échantillon aléatoire de 106 patients a été sélectionné.
Acquisition d’images
Les images cliniques et dermoscopiques ont été capturées sous illumination standardisée avec le dermoscope FotoFinder medicam 1000, garantissant une qualité optimale.
Conception de l’étude
Les images des 106 patients ont été analysées par le logiciel Youzhi AI (version 2.2.5), évaluant d’abord la distinction bénin/malin, puis la classification parmi 14 types de tumeurs. Cinq répétitions ont été effectuées par différents opérateurs pour vérifier la stabilité des résultats. Parallèlement, 11 dermatologues (4 débutants, 4 intermédiaires, 3 experts) ont diagnostiqué les images en deux modes : aléatoire (DR) et apparié (DM), comparés aux résultats histopathologiques de référence.
Analyse statistique
La normalité des variables a été testée par le test de D’Agostino-Pearson. Les comparaisons ont utilisé des tests t de Student, U de Mann-Whitney, ANOVA et Kruskal-Wallis, avec un seuil de significativité à p < 0,05 (logiciels SPSS 20.0 et GraphPad Prism 7.0).
Résultats
Types histopathologiques
Parmi les 106 cas, on comptait 36 lésions malignes (4 mélanomes, 5 carcinomes épidermoïdes, 24 carcinomes basocellulaires, 3 kératoses actiniques) et 70 lésions bénignes (19 nævus, 35 kératoses séborrhéiques, 4 hémangiomes, 6 dermatofibromes, 6 kystes épidermoïdes).
Précision diagnostique
Aucune différence significative n’a été observée entre l’IA et les dermatologues pour la distinction bénin/malin (BMA) ou la classification (DTA). Cependant, l’IA a surpassé les dermatologues en DTA sur les images dermoscopiques (76,42 % vs 63,38 %, p = 0,010). Le mode DM (images appariées) a amélioré la DTA des dermatologues par rapport au mode DR (73,58 % vs 61,41 %, p = 0,022). La précision de l’IA en conditions réelles était inférieure aux tests en laboratoire (p < 0,001), mais plus élevée sur les images dermoscopiques que cliniques (p = 0,008 pour BMA ; p = 0,016 pour DTA).
Discussion
La dermoscopie améliore le diagnostic mais nécessite une expertise. La complémentarité entre images cliniques et dermoscopiques a été confirmée, optimisant la précision. Bien que les performances de Youzhi AI aient diminué en contexte réel, elles restent comparables à celles des dermatologues moyens, surpassant même les praticiens peu expérimentés. Ce logiciel pourrait combler les lacunes diagnostiques dans les structures médicales sous-équipées.
Les limites incluent le design rétrospectif monocentrique et le nombre limité de participants. Une étude multicentrique prospective est prévue pour valider ces résultats. Malgré une légère baisse de performance, Youzhi AI représente un outil précieux pour l’aide au diagnostic, particulièrement dans les régions mal desservies.
Conclusion
Cette étude valide l’utilité clinique du logiciel Youzhi AI pour la détection des tumeurs cutanées, malgré une performance réduite par rapport aux conditions expérimentales. Son intégration dans les pratiques courantes pourrait standardiser les diagnostics et améliorer l’accès aux soins, notamment dans les structures non spécialisées.
doi.org/10.1097/CM9.0000000000001002