Une plate-forme d'IA intégrant des données et des modèles d'imagerie, soutenant des soins de précision tout au long du continuum du cancer de la prostate

En Europe, le cancer de la prostate (PCa) est le deuxième type de cancer le plus fréquent chez l'homme et le troisième le plus mortel. Les pratiques cliniques actuelles, conduisant souvent à un surdiagnostic et à un surtraitement des tumeurs indolentes, souffrent d'un manque de précision appelant à des modèles d'IA avancés pour aller au-delà de la SoA en déchiffrant des modèles d'images médicales non intuitifs et de haut niveau et en augmentant les performances pour distinguer les maladies indolentes des maladies agressives, prédire précocement la récidive et détecter les métastases ou prédire l'efficacité des thérapies. À ce jour, les efforts sont fragmentés, basés sur des ensembles de données d'une seule institution, de taille limitée et spécifiques à un fournisseur, tandis que les ensembles de données publiques PCa disponibles (par ex. US TCIA) ne sont que quelques centaines de cas rendant la généralisabilité du modèle impossible.

Le projet ProCAncer-I rassemble 20 partenaires, dont des centres de référence PCa, des leaders mondiaux de l'IA et des PME innovantes, avec une expertise reconnue dans leurs domaines respectifs, dans le but de concevoir, développer et maintenir une infrastructure d'image européenne sécurisée basée sur le cloud avec outils et services pour le traitement des données. La plate-forme héberge la plus grande collection de données d'imagerie anonymisées multi-paramétriques (mp)PCa au monde (> 17 000 cas), basée sur le don de données, conformément à la législation de l'UE (RGPD). Des modèles d'IA robustes sont développés, basés sur de nouvelles méthodologies d'apprentissage d'ensemble, conduisant à des modèles d'IA neutres et spécifiques au fournisseur pour traiter 8 scénarios cliniques PCa.

Pour accélérer la traduction clinique des modèles PCa AI, nous nous concentrons sur l'amélioration de la confiance des solutions en ce qui concerne l'équité, la sécurité, l'explicabilité et la reproductibilité. Des métriques pour surveiller les performances du modèle et une fonctionnalité d'explicabilité causale sont développées pour accroître encore la confiance clinique et informer sur les échecs et les erreurs possibles. Une feuille de route pour la certification des modèles d'IA est définie, en interaction avec les autorités réglementaires, contribuant ainsi à une feuille de route réglementaire européenne pour valider l'efficacité des modèles basés sur l'IA pour la prise de décision clinique.