7
La performance d’un réseau neuronal convolutionnel pour déterminer les niveaux de différenciation des carcinomes de cellules épidermoïdes cutanées était à égalité avec celle des dermatologues expérimentés, selon les résultats d’une étude récente publiée dans Jaad International.
«Ce type de cancer, qui est le résultat de mutations du type de cellule le plus courant dans la couche supérieure de la peau, est fortement liée à l’accumulation [ultraviolet] rayonnement dans le temps. Il se développe dans des zones exposées au soleil, souvent sur la peau, montrant déjà des signes de dommages causés par le soleil, avec des taches ruites, une pigmentation inégale et une élasticité diminuée », a déclaré le chercheur principal Sam Poleie, MD, PhDProfesseur agrégé de dermatologie et de vénéologie à l’Université de Gothenburg et de dermatologue pratiquant à l’hôpital universitaire de Sahlgrenska, tous deux à Gothenburg, en Suède.
Méthodes de fond et d’étude
Les biopsies de punch préopératoires ne sont généralement pas réalisées lorsqu’un patient a un carcinome épidermoïde suspecté; L’échantillon est généralement envoyé pour une analyse histopathologique après avoir été excisé.
Les chercheurs ont formé un réseau neuronal convolutionnel de novo pour faire la distinction entre les carcinomes squameux cutanés modérément et peu différenciés. Le modèle a été formé sur 1 829 images cliniques en gros plan de carcinome épidermoïde cutanée, dont 68,6% des cas bien différenciés, qui ont été divisés en formation (n = 1 329), validation (n = 200) et ensembles de tests (n = 300). Ensuite, les performances du modèle ont été comparées à l’évaluation combinée de sept lectures de dermatologues indépendantes. Les dermatologues ont également précisé à quel point ils étaient certains à propos de leur niveau de différenciation estimé pour chaque cas et ont noté quelles caractéristiques cliniques étaient présentes dans chaque tumeur.
Résultats clés de l’étude
Le modèle de réseau neuronal convolutionnel avait une zone sous la courbe de 0,69 (intervalle de confiance à 95% [CI] = 0,63‒0,76) et l’évaluation combinée des dermatologues avait une zone sous la courbe de 0,70 (IC à 95% = 0,64‒0,76; P = 0,79), avec un accord modéré entre leurs lectures, ce qui met en évidence la complexité de la tâche.
Ulcération (rapport de cotes [OR] = 2,34; IC à 95% = 1,16‒4,72) et la topographie à surface plate (OR = 2,94; IC à 95% = 1,23‒7,01) étaient plus courantes dans les tumeurs modérément ou mal différenciées.
«Nous pensons que le cas d’utilisation présenté ici est une approche prometteuse d’apprentissage automatique qui mérite d’être poursuivi, car elle a le potentiel d’aider et d’augmenter les dermatologues dans la prise de décision préopératoire, ce qui permet de déterminer les marges chirurgicales appropriées ou d’évaluer si des traitements alternatifs et moins invasifs pourraient être appropriés», ont conclu les auteurs de l’étude.
Le modèle doit être affiné et évalué plus avant, cependant, avant qu’il ne puisse être utilisé efficacement pour aider les dermatologues dans la pratique clinique, ont noté les enquêteurs.
Divulgation: Pour les divulgations complètes des auteurs de l’étude, visitez ScienceDirect.com.