Le d\u00e9pistage du cancer du sein repose sur l\u2019examen de mammographies par deux professionnels de sant\u00e9. Cette m\u00e9thode, bien qu\u2019efficace, est confront\u00e9e \u00e0 une p\u00e9nurie croissante de radiologues, notamment au Royaume-Uni o\u00f9 pr\u00e8s de 40 % des postes pourraient manquer d\u2019ici 2028. Une \u00e9tude r\u00e9cente a explor\u00e9 l\u2019utilisation de l\u2019intelligence artificielle comme second lecteur pour analyser ces images, afin d\u2019all\u00e9ger la charge de travail tout en maintenant la qualit\u00e9 des diagnostics.<\/p>\n
L\u2019\u00e9tude a port\u00e9 sur 50 000 femmes issues de deux centres de d\u00e9pistage britanniques. Les r\u00e9sultats montrent que remplacer le second lecteur humain par un outil d\u2019intelligence artificielle permet de conserver une pr\u00e9cision similaire en termes de d\u00e9tection des cancers et de r\u00e9duction des faux positifs. Apr\u00e8s une \u00e9tape d\u2019arbitrage, o\u00f9 des experts r\u00e9examinent les cas litigieux, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 de l\u2019intelligence artificielle se sont r\u00e9v\u00e9l\u00e9es aussi bonnes que celles de deux lecteurs humains. Cela signifie que l\u2019outil rep\u00e8re autant de cancers r\u00e9els et \u00e9vite autant de diagnostics erron\u00e9s.<\/p>\n
L\u2019un des principaux avantages de cette approche est la r\u00e9duction significative du temps de travail. Le nombre de mammographies \u00e0 analyser par des humains a chut\u00e9 de 50 %, car l\u2019intelligence artificielle prend en charge une partie des examens. Cependant, l\u2019arbitrage devient plus fr\u00e9quent avec l\u2019intelligence artificielle, augmentant de 22 % \u00e0 142 % selon les centres. Cette hausse s\u2019explique par le fait que l\u2019outil peut parfois signaler des anomalies qui ne sont pas confirm\u00e9es par les experts, ou inversement, manquer des cas subtils que les humains d\u00e9tectent.<\/p>\n
L\u2019intelligence artificielle a montr\u00e9 une capacit\u00e9 particuli\u00e8re \u00e0 identifier des cancers qui apparaissent entre deux d\u00e9pistages ou lors du d\u00e9pistage suivant, appel\u00e9s cancers d\u2019intervalle ou de prochain tour. Avant arbitrage, elle les rep\u00e9rait mieux que les humains. Mais apr\u00e8s r\u00e9\u00e9valuation par les experts, cette diff\u00e9rence s\u2019est estomp\u00e9e, car certains signaux de l\u2019outil ont \u00e9t\u00e9 \u00e9cart\u00e9s. Cela soul\u00e8ve une question : comment mieux int\u00e9grer les suggestions de l\u2019intelligence artificielle pour qu\u2019elles soient plus fiables et comprises par les radiologues ?<\/p>\n
Les performances de l\u2019outil varient selon les \u00e9quipements utilis\u00e9s pour les mammographies. Il est plus efficace avec les appareils d\u2019un fabricant que d\u2019un autre, ce qui sugg\u00e8re qu\u2019il doit \u00eatre adapt\u00e9 aux technologies locales avant d\u2019\u00eatre d\u00e9ploy\u00e9. Les radiologues participant \u00e0 l\u2019\u00e9tude ont exprim\u00e9 une confiance mod\u00e9r\u00e9e envers l\u2019outil, tout en pointant ses limites, notamment sa tendance \u00e0 surestimer certaines anomalies comme les calcifications.<\/p>\n
Cette \u00e9tude ouvre la voie \u00e0 une utilisation plus large de l\u2019intelligence artificielle dans le d\u00e9pistage du cancer du sein. Elle montre qu\u2019il est possible de r\u00e9duire la charge de travail des professionnels sans sacrifier la qualit\u00e9 des diagnostics. Pour aller plus loin, il faudra am\u00e9liorer la transparence des d\u00e9cisions de l\u2019outil et former les radiologues \u00e0 son utilisation, afin qu\u2019ils puissent mieux \u00e9valuer ses alertes et en tirer le meilleur parti.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s43018-026-01128-z<\/a><\/p>\n Titre\u00a0:<\/strong> Impact of using artificial intelligence as a second reader in breast screening including arbitration<\/p>\n Revue : <\/strong> Nature Cancer<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Lucy M. Warren; Jenny Venton; Kenneth C. Young; Mark Halling-Brown; Christopher J. Kelly; Marc Wilson; Megumi Morigami; Lisanne Khoo; Deborah Cunningham; Richard Sidebottom; Mamatha Reddy; Hema Purushothaman; Delara Khodabakhshi; Lesley Honeyfield; Amandeep Hujan; Tsvetina Stoycheva; Andy Joiner; Reena Chopra; Aminata Sy; Dominic Ward; Lin Yang; Rory Sayres; Daniel Golden; Namrata Malhotra; Rachita Mallya; Lihong Xi; Della Ogunleye; Charlotte Purdy; Alistair Mackenzie; Susan Thomas; Shravya Shetty; Fiona J. Gilbert; Ara Darzi; Hutan Ashrafian<\/p>\n","protected":false},"excerpt":{"rendered":" L\u2019intelligence artificielle peut-elle am\u00e9liorer le d\u00e9pistage du cancer du sein sans surcharger les radiologues ? Le d\u00e9pistage du cancer du sein repose sur l\u2019examen de mammographies par deux professionnels de sant\u00e9. Cette m\u00e9thode, bien qu\u2019efficace, est confront\u00e9e \u00e0 une p\u00e9nurie croissante de radiologues, notamment au Royaume-Uni o\u00f9 pr\u00e8s de 40 % des postes pourraient manquer… Poursuivre la lecture L\u2019intelligence artificielle peut-elle am\u00e9liorer le d\u00e9pistage du cancer du sein sans surcharger les radiologues ?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8,3],"tags":[],"class_list":["post-19","post","type-post","status-publish","format-standard","hentry","category-politique","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/posts\/19","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/comments?post=19"}],"version-history":[{"count":1,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/posts\/19\/revisions"}],"predecessor-version":[{"id":20,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/posts\/19\/revisions\/20"}],"wp:attachment":[{"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/media?parent=19"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/categories?post=19"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theengineeringreview.com\/fr\/wp-json\/wp\/v2\/tags?post=19"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}