Auteur(s) : Sossavi, Eloïse
Directeur(s) : Molière, Sébastien
Président du jury : Roy, Catherine
Composante : Faculté de médecine, maïeutique et sciences de la santé
Établissement : Université de Strasbourg
Date de création : 30-06-2025

Résumé(s) : Contexte : La double lecture des mammographies, norme pour améliorer la détection du cancer du sein, représente une charge de travail considérable pour les radiologues. L'intelligence artificielle (IA) est une solution prometteuse pour optimiser les programmes de dépistage, mais son efficacité dépend fortement du modèle d'intégration choisi (par exemple, triage ou lecteur indépendant). Une méta-analyse a évalué l'impact de ces différents modèles sur la performance à grande échelle. En parallèle, une étude originale s'est concentrée sur un modèle spécifique — l'IA en tant que premier lecteur — pour analyser en détail l'interaction entre l'IA et le second lecteur humain, ainsi que l'effet de la divulgation de l'identité de l'IA sur la précision diagnostique. Méthodes : La revue systématique a regroupé les données de 13 études (environ 1,03 million de dépistages) pour comparer les taux de détection de cancer (CDR) et les taux de rappel des différents flux de travail avec IA par rapport à la double lecture conventionnelle. Simultanément, une étude rétrospective multi-lecteurs a analysé 220 mammographies (1 760 lectures appariées) où un premier lecteur (IA ou radiologue) était relu par un second lecteur humain. Dans la moitié des cas, l'identité du premier lecteur était divulguée au second lecteur. La performance diagnostique et les facteurs influençant la correction des erreurs ont été analysés à l'aide d'un modèle de régression logistique par équations d'estimation généralisées (GEE). Résultats : La méta-analyse a montré que, globalement, l'intégration de l'IA maintient un taux de détection de cancer équivalent à la double lecture (Risque Relatif de 1.01). Les modèles de triage se sont avérés les plus efficaces, réduisant la charge de travail et les rappels de 11 % tout en préservant la détection. L'étude originale a apporté un éclairage sur la dynamique d'interaction : bien que l'IA en premier lecteur ait une spécificité plus faible que celles des humains (79,5 % contre 84,5 %) , son utilisation a plus que doublé les chances d'un diagnostic final correct (Odds Ratio ≈ 2.05, p inférieur à 0.001). Cet effet est dû à une correction efficace des erreurs de l'IA par le lecteur humain, correction qui passe de 13,6 % à 19,1 % lorsque l'identité de l'IA est connue. Cependant, un nouveau risque est apparu : dans 13 cas, des cancers correctement signalés par l'IA ont été rejetés à tort par le second lecteur humain, une erreur qui n'a jamais eu lieu dans les paires purement humaines, Context : Double reading of mammograms, the standard for improving breast cancer detection, represents a considerable workload for radiologists. Artificial intelligence (AI) is a promising solution for optimizing screening programs, but its effectiveness is highly dependent on the chosen integration model (e.g., triage or independent reader). A meta-analysis evaluated the impact of these different models on large-scale performance. In parallel, an original study focused on a specific model—AI as the first reader—to analyze in detail the interaction between the AI and the second human reader, as well as the effect of disclosing the AI's identity on diagnostic accuracy. Methods : The systematic review pooled data from 13 studies (approximately 1.03 million screenings) to compare the cancer detection rates (CDR) and recall rates of different AI-assisted workflows against conventional double reading. Simultaneously, a multi-reader retrospective study analyzed 220 mammograms (1,760 paired readings) where a first reader (AI or radiologist) was reread by a second human reader. In half of the cases, the identity of the first reader was disclosed to the second reader. Diagnostic performance and factors influencing error correction were analyzed using a logistic regression model with generalized estimating equations (GEE). Results : The meta-analysis showed that, overall, AI integration maintains a cancer detection rate equivalent to double reading (Relative Risk of 1.01). Triage models proved to be the most effective, reducing workload and recalls by 11% while preserving detection. The original study shed light on the interaction dynamics: although AI as a first reader had a lower specificity than humans (79.5% vs. 84.5%), its use more than doubled the odds of a correct final diagnosis (Odds Ratio ≈ 2.05, p lower than 0.001). This effect is due to the effective correction of AI errors by the human reader, a correction that increased from 13.6% to 19.1% when the AI's identity was known. However, a new risk emerged: in 13 cases, cancers correctly identified by the AI were wrongly dismissed by the second human reader, an error that never occurred in purely human pairs
Discipline : Médecine (radiodiagnostic et imagerie médicale)
Couverture : FR