Projet 1 : Auto-triage par mammographie numérique plein champ 2D ou images synthétiques

REMARQUE : cet enregistrement est lié à un enregistrement de sujets humains dans ASSIST. Cela, à son tour, fait partie d'une subvention NCI, CA207490. La subvention décrit de nombreuses expériences proposées et note que de nombreuses autres pourraient être réalisées dans le cadre d'études de suivi. À la suggestion du NIH, les enquêteurs ont regroupé ces études en trois "études", chacune couvrant plusieurs expériences. L'expérience décrite ici fait partie de "Study ID 386408 Project 1: Radiologist Studies". Il n'est pas possible d'enregistrer un ensemble d'expériences via le système PRS dans CT.gov et il n'est pas possible de déposer un rapport annuel pour la subvention (RPPR) sans numéro NCT pour les projets qui ont commencé à collecter des participants. En conséquence, les enquêteurs décrivent ici une expérience qui ferait partie du groupe d'études "Projet 1".

L'idée centrale du projet 1 est qu'il pourrait être possible pour Os d'éliminer de manière fiable un ensemble de cas dans la mammographie de dépistage après un bref examen d'une image 2D ou, potentiellement, après qu'un système d'IA ait examiné brièvement l'image. C'est-à-dire que le clinicien et/ou l'IA regarderaient l'image et sauraient "à coup sûr" qu'il n'y a rien et seraient prêts à rejeter ou à "trier" le cas sur la base de ce bref regard. Si le lecteur n'était pas complètement sûr, l'affaire obtiendrait un examen plus approfondi.

Pour commencer à examiner cette question, les enquêteurs voulaient estimer dans quelle mesure les cliniciens seraient disposés à trier un cas et comment ils interagiraient avec une IA à qui on a demandé de trier les cas. Un défi pour toute mise en œuvre du triage sera d'amener les cliniciens (sans parler des avocats, etc.) à accepter l'idée de ne pas regarder une image/un cas ou de regarder brièvement, disons, l'image 2D et d'être prêt à ne pas regardez les images de tomosynthèse numérique 3D (DBT). L'expérience rapportée ici par les enquêteurs est destinée à être un début d'étude de cette question. Il existe un continuum de cas allant de "évidemment normaux" à "évidemment anormaux". Les enquêteurs voulaient estimer le point sur ce continuum en dessous duquel un cas est si normal, que les lecteurs seraient disposés à laisser l'ordinateur trier le cas et/ou seraient disposés à trier un cas eux-mêmes. Il est également possible qu'il y ait des cas si anormaux que les patients puissent être rappelés pour un examen plus approfondi par l'ordinateur seul, bien que les enquêteurs n'étudient pas cette forme de triage dans ce cas. Les enquêteurs émettent l'hypothèse que ces points de triage seront liés à la fois à l'évaluation de la normalité de l'ordinateur et à l'évaluation du lecteur.

Méthode : Une mammographie 2D bilatérale est présentée pendant 5 secondes. Le délai est destiné à limiter l'examen normal qu'un radiologiste accorderait au cas. Les enquêteurs veulent une décision basée sur "l'essentiel" de l'affaire. Pour imiter la faible prévalence de la maladie dans une mammographie de dépistage, seuls 4 cas sur 150 sont positifs. Les lecteurs sont informés que les cas imitent un cadre de dépistage afin qu'ils sachent que les cas positifs seront rares, mais ils ne sont pas informés de la prévalence réelle.

Les enquêteurs demandent aux radiologues de répondre à deux questions sur chacun des 150 "cas" d'image unique. ("Jusqu'à 150" parce que les radiologues peuvent et doivent arrêter sans avoir terminé tous les cas. À l'aide d'une méthode d'échelle d'évaluation, les enquêteurs demandent :

1. Dans quelle mesure les participants sont-ils sûrs que ces images proviennent d'un cas normal ?

   Ensuite, les enquêteurs disent aux lecteurs que "l'ordinateur a évalué ces images comme X sur 10 (10 : probabilité la plus élevée de présence d'un cancer)." Cette valeur AI est une cote réelle d'anomalie, générée par Transpara version 1.7.0 qui renvoie un score de probabilité de malignité pour l'examen. Les notes ont été obtenues par Sarah Verboom de Radboud U.

   Ensuite, les enquêteurs demandent aux enquêteurs si le lecteur penserait qu'il était raisonnable pour l'ordinateur de trier le cas sans autre inspection humaine.

2. Dans quelle mesure les participants seraient-ils disposés à ce que l'ordinateur prenne seul la décision concernant ce cas sans que les participants l'examinent ?

Os a répondu à l'aide d'une barre coulissante qui servait d'échelle de notation. La note sélectionnée était affichée en haut de la barre coulissante.

Intervenants :

Les premiers observateurs de cette étude ont été testés lors d'un « pop-lab », organisé lors de la Conférence européenne de radiologie (ECR, Vienne, mars 2023). Les enquêteurs ont organisé ces laboratoires comme une opportunité pour les chercheurs de nombreux laboratoires de venir à de grandes réunions comme ECR où ils pourraient être en mesure de tester des radiologues en plus grand nombre qu'à domicile. L'avantage est l'accès aux lecteurs. L'inconvénient est que les enquêteurs ne peuvent généralement obtenir que 15 à 30 minutes du temps d'un lecteur. Ainsi, les lecteurs de cette expérience étaient une population de convenance. Les enquêteurs ont testé 15 lecteurs. Ceux-ci variaient considérablement dans l'expérience. Les enquêteurs ont demandé combien de cas de dépistage ils estimaient lire chaque année. Cela variait de 0 (étudiants qui avaient appris la mammographie mais ne pratiquaient pas) à 8 000. Les lecteurs variaient également dans le nombre de cas qu'ils étaient prêts à lire pour nous, avant de manquer de temps/de patience. La fourchette était de 19 à 148 (moyenne de 83 cas). A ce stade, les enquêteurs ne sont pas en mesure de dire avec conviction si ces variables ont un impact important sur les résultats. Il s'agit d'un problème chronique avec des experts en test comme les radiologues. Il est extrêmement difficile de collecter autant de données qu'on le souhaiterait. Néanmoins, ces données peuvent nous renseigner sur les facteurs qui détermineront le succès ou l'échec du triage des images.