Une nouvelle étude a révélé qu’un modèle d’apprentissage automatique destiné directement au consommateur pour détecter les cancers de la peau classait à tort les cancers rares et agressifs comme à faible risque.
Des découvertes révolutionnaires présentées aujourd’hui au 30e congrès de l’EADV suggèrent que rendre des applications basées sur de tels modèles disponibles directement au public sans transparence dans les mesures de performance pour les cancers de la peau rares mais potentiellement mortels est éthiquement discutable.
Selon une nouvelle étude, les applications de dépistage du cancer de la peau destinées directement aux consommateurs ne parviennent pas à détecter les cancers potentiellement mortels
Des chercheurs de Londres se sont concentrés sur deux types de cancer de la peau, le carcinome à cellules de Merkel (MCC) et le mélanome amélanotique , deux cancers rares mais particulièrement agressifs qui ont tendance à se développer rapidement et nécessitent un traitement précoce. Ils ont créé un ensemble de données de 116 images de ces cancers rares et des lésions bénignes, kératose séborrhéique et hémangiomes, et ont évalué ces images avec deux modèles d’apprentissage automatique.
À propos du carcinome à cellules de Merkel Le carcinome à cellules de Merkel (MCC) est un cancer rare autre que le mélanome, très agressif et à croissance rapide. Cela commence dans les cellules de Merkel productrices d’hormones, que l’on trouve généralement dans la couche supérieure de la peau et dans les follicules pileux. Le MCC se présente sous la forme de bosses rouge bleuâtre sur la peau, que l’on retrouve souvent sur la tête, le cou, les bras et les jambes, mais qui peuvent se propager à d’autres parties du corps. Il est principalement associé à la lumière ultraviolette, provenant d’une exposition prolongée au soleil et aux lits de bronzage, ainsi qu’à des conditions ou des traitements qui affaiblissent le système immunitaire et aux infections à polyomavirus. La prévalence du CCM est de 0,2 à 0,45 cas pour 100 000 habitants. À propos du mélanome amélanotique Le mélanome est un type de cancer de la peau qui se développe dans des cellules appelées mélanocytes. Elle touche plus fréquemment les personnes âgées. Le mélanome amélanotique est rare et représente environ 8 % de tous les mélanomes. Amélanotique signifie sans mélanine, un pigment cutané de couleur foncée. Contrairement aux autres mélanomes, les mélanomes amélanotiques sont généralement rouges ou de couleur peau plutôt que foncés. Elles sont souvent difficiles à diagnostiquer en raison de leur manque de couleur et peuvent être confondues avec d’autres affections cutanées. Ainsi, leur diagnostic étant généralement tardif, elles sont associées à un mauvais pronostic. |
Le premier modèle étudié était un dispositif médical certifié, vendu directement au public via l’App Store et annoncé comme capable de diagnostiquer 95 % des cancers de la peau (modèle 1). Le deuxième modèle était disponible uniquement à des fins de recherche et a été utilisé comme référence (modèle 2).
Les résultats ont montré que le modèle 1 classifiait à tort 17,9 % des MCC et 22,9 % des mélanomes amélanotiques comme étant à faible risque. À leur tour, 62,2 % des lésions bénignes étaient classées à haut risque.
Pour la détection de la malignité, la sensibilité du modèle 1 était de 79,4 % [intervalle de confiance (IC) à 95 % : 69,3-89,4 %] et la spécificité était de 37,7 % [IC à 95 %]. % : 24,7-50,8].
Pour le modèle 2, le MCC n’a été inclus dans le top 5 des diagnostics pour aucune des 28 images MCC analysées, ce qui laisse penser que le modèle n’a pas été formé sur l’existence de cette classe de maladies.
Le taux élevé de faux positifs dans le modèle 1 a des conséquences potentiellement négatives au niveau personnel et sociétal.
Les résultats soulèvent une question plus vaste sur la sécurité des autres modèles de détection du cancer de la peau par intelligence artificielle (IA) disponibles sur le marché.
Lloyd Steele, auteur principal de l’étude au Blizard Institute de l’Université Queen Mary de Londres, au Royaume-Uni, explique : « Pour s’améliorer, les évaluations des modèles d’apprentissage automatique doivent prendre en compte l’éventail des maladies qui seront observées dans la pratique. "À l’heure actuelle, la plupart des performances de ces modèles reposent sur les données d’imagerie disponibles, qui sont particulièrement rares lorsqu’il s’agit de cancers rares de la peau."
Une collaboration mondiale entre les groupes de recherche et les hôpitaux pourrait constituer une étape pour combler le déficit de données d’imagerie du cancer de la peau, élément crucial pour un taux d’apprentissage automatique performant.
Marie-Aleth Richard, membre du conseil d’administration de l’EADV et professeur à l’hôpital universitaire de La Timone à Marseille, a déclaré : « Le nombre d’applications de dépistage du cancer de la peau disponibles pour les consommateurs est en augmentation, mais comme le démontre cette recherche, il doit y avoir plus de transparence sur la sécurité. et l’efficacité de ces applications. De plus, ces appareils détectent uniquement ce qu’ils sont censés analyser et n’effectuent pas d’analyse systématique de l’ensemble de la surface cutanée. Ne pas être transparent pourrait mettre des vies en danger. »
