Développement d’un algorithme d’intelligence artificielle pour le diagnostic de mélanome à partir d’une banque d’images issues de la pratique courante

Introduction Le diagnostic de melanome est l’un des points les plus cruciaux de la prise en charge dermatologique. Recemment, le developpement d’algorithmes de deep learning pour le diagnostic de tumeurs cutanees malignes et en particulier de melanome amorce une revolution dans le diagnostic par le dermatologue. Cependant, la plupart des algorithmes des etudes publiees ont ete developpes sur des bases de donnees publiques. Nous avons developpe un algorithme destine au diagnostic de tumeurs cutanees malignes a partir des photographies de vie reelle, prises dans le cadre de soin. Materiel et methodes Les donnees utilisees pour le developpement et la validation de l’algorithme sont la banque d’images dermoscopiques constituees dans le cadre du soin a l’hopital Saint-Louis, comprenant 985 images dermoscopiques annotees pour le diagnostic par 2 medecins diplomes (aspect clinique, et resultat histologique pour les tumeurs malignes). La seconde base est la base publique de photos dermoscopiques ISIC comprenant 24 464 images dermoscopiques. Nous avons entraine un algorithme (un reseau de neurones convolutif de type EfficientNet-B1) a l’identification des tumeurs malignes (TM) (melanome, carcinomes) versus benignes (naevus, HCF, tumeurs vasculaires benignes) (TB), et au diagnostic de lesions melanocytaires ou non melanocytaires, au sein de la base locale. Nous avons evalue la performance de l’algorithme entre differentes bases de donnees en l’entrainant sur la base de donnees ISIC et en le testant sur la base locale. Resultats Notre algorithme entraine sur la base ISIC a une precision diagnostique (aire sous la courbe ROC) de 0,90 sur la base ISIC, et de 0,79 pour le diagnostic de TM vs TB sur notre base locale. Pour identifier les facteurs participant a cette baisse de performance, nous avons analyse 33 photos « mal classees » pour le diagnostic de tumeurs melanocytaires ou non par l’algorithme. Les principales sources d’erreur sont les lentigos (classes en non melanocytaire) et les CBC tatoues et les keratoses seborrheiques (classe en melanocytaire). L’analyse de 33 photos mal classees a permis d’identifier des erreurs recurrentes: biopsies anterieures remaniant la lesion (7), trait de crayon sur la photo (4), erreur d’annotation dans l’image (4), localisation muqueuse (1), erreur de diagnostic identique a celle du medecin prescripteur (8). Discussion Le developpement d’un algorithme sur une base de photos issues de la vie reelle permet d’identifier les facteurs pouvant alterer ses performances, et qu’il faudra prendre en compte lors du developpement de ce type d’outils aupres des dermatologues. Le developpement de l’algorithme va etre poursuivi par un apprentissage federe entre differentes bases de donnees hospitalieres pour ameliorer ses performances.