Détection automatisée du cancer de la prostate agressif et indolent par imagerie par résonance magnétique

OBJECTIF : 4) et cancer indolent (modèle de Gleason 3) sur une base par pixel sur IRM pour faciliter le ciblage du cancer agressif lors de la biopsie. MÉTHODES : Nous avons créé le Stanford Prostate Cancer Network (SPCNet), un modèle de réseau de neurones convolutionnel, formé pour distinguer entre le cancer agressif, le cancer indolent et les tissus normaux sur IRM. Des étiquettes de cancer de vérité de terrain ont été obtenues en enregistrant l'IRM avec des images d'histopathologie numérique en montants complets provenant de patients ayant subi une prostatectomie radicale. Avant l'enregistrement, ces images d'histopathologie ont été automatiquement annotées pour montrer les modèles de Gleason sur une base par pixel. Le modèle a été formé sur des données provenant de 78 patients ayant subi une prostatectomie radicale et de 24 patients sans cancer de la prostate. Le modèle a été évalué au niveau des pixels et des lésions chez 322 patients, dont six patients avec une IRM normale et sans cancer, 23 patients ayant subi une prostatectomie radicale, et 293 patients ayant subi une biopsie. De plus, nous avons évalué la capacité de notre modèle à détecter des cancers cliniquement significatifs (lésions avec un composant agressif) et l’avons comparé à la performance des radiologues. RÉSULTATS : Notre modèle a détecté des lésions cliniquement significatives avec une aire sous la courbe du caractère opérateur receveur de 0,75 pour les patients ayant subi une prostatectomie radicale et de 0,80 pour les patients ayant subi une biopsie. De plus, le modèle a détecté jusqu'à 18 % des lésions non détectées par les radiologues et avait globalement une sensibilité et une spécificité approchant celles des radiologues dans la détection du cancer cliniquement significatif. CONCLUSIONS : Notre modèle SPCNet a détecté avec précision le cancer de la prostate agressif. Sa performance était proche de celle des radiologues, et il a aidé à identifier des lésions autrement manquées par les radiologues. Notre modèle a le potentiel d'assister les médecins dans le ciblage spécifique du composant agressif des cancers de la prostate lors de la biopsie ou du traitement focal.