Évaluer le risque de cancer du sein grâce au deep learning : comment les données de Keydiag® peuvent accélérer le dépistage

Chaque année, près de 2 millions de femmes dans le monde développent un cancer du sein. En France, environ 60 000 nouveaux cas sont diagnostiqués chaque année. Malgré les progrès réalisés en matière de dépistage et de traitement, il demeure le cancer le plus fréquent chez la femme. Pourtant, lorsqu’il est détecté précocement, le taux de survie à cinq ans dépasse largement 80 %, soulignant l’importance d’un diagnostic précoce. 

Face à cet enjeu majeur de santé publique, l’intelligence artificielle ouvre de nouvelles perspectives. Parmi les technologies les plus prometteuses figure le deep learning, dont les performances reposent avant tout sur un élément essentiel : la qualité des données utilisées pour entraîner les algorithmes.  

Le deep learning au service de l’imagerie médicale 

Le deep learning est une branche du machine learning. Il s’appuie sur des réseaux de neurones artificiels composés de multiples couches d’analyse. Inspirés du cerveau humain, ces modèles identifient des relations complexes dans de grands volumes de données.

En radiologie, cette technologie devient progressivement un puissant outil d’aide à la décision. Elle permet notamment de détecter des anomalies sur les images médicales, de segmenter automatiquement des lésions ou encore d’aider à caractériser certaines tumeurs mammaires. 

Sans données de qualité, pas d’IA performante 

La performance d’un modèle de deep learning dépend directement des données sur lesquelles il est entraîné. Or, en radiologie, une grande partie des informations cliniques reste difficilement exploitable : les comptes rendus sont souvent rédigés en texte libre ou archivés au format PDF, ce qui limite leur utilisation pour la recherche. 

Pour développer des algorithmes robustes, les chercheurs ont besoin de données standardisées, structurées et facilement analysables. C’est précisément la valeur ajoutée des données produites par Keydiag®.

Depuis plus de dix ans, Keymaging accompagne les radiologues avec Keydiag®, une plateforme permettant la rédaction de comptes rendus radiologiques structurés. 

Au-delà de l’homogénéisation des pratiques, la solution génère des données cliniques cohérentes et normalisées. Ces données sont plus facilement exploitables pour la recherche et le développement de modèles d’intelligence artificielle. 

Les comptes rendus produits via Keydiag®, constituent progressivement une base de connaissances particulièrement riche pour entraîner et évaluer de futurs modèles d’intelligence artificielle. 

Vers une évaluation plus précise du risque de cancer du sein  

Grâce au deep learning, ces données peuvent être exploitées à grande échelle afin de développer et d’entraîner des modèles susceptibles d’améliorer l’évaluation du risque individuel des patientes. 

Les données structurées issues de Keydiag® peuvent notamment contribuer à développer des modèles permettant de : 

• améliorer la détection précoce des cancers,  
• affiner l’évaluation du risque individuel,  
• suivre l’évolution des patientes dans le temps,  
• contribuer à identifier les facteurs associés au risque de récidive, 
• aider à estimer la probabilité de réponse à certains traitements,  
• alimenter la recherche sur le risque métastatique et la survie sans récidive. 

L’un des principaux atouts de ces approches est leur capacité à intégrer l’historique des examens d’une patiente. L’évaluation du risque ne repose plus uniquement sur un examen isolé. Elle peut évoluer au fil du temps, à mesure que de nouvelles informations viennent enrichir son parcours de soins. 

La donnée, moteur de la médecine de demain 

L’objectif de ces technologies n’est pas de remplacer le radiologue, mais de lui fournir des outils d’aide à la décision toujours plus fiables et performants. 

En transformant chaque examen en données structurées, Keydiag® contribue à construire les fondations des futures générations d’algorithmes d’intelligence artificielle. À mesure que cette base de connaissances s’enrichit, elle peut favoriser le développement de modèles toujours plus performants. Ceux-ci pourraient améliorer le dépistage précoce, personnaliser la prise en charge des patientes et faire progresser la médecine prédictive. 

Plus que jamais, la donnée s’impose comme le véritable moteur de l’intelligence artificielle appliquée à la santé.