Un service proposé par APM International
https://www.ctm-telemedecine.fr/
https://global.agfahealthcare.com/france/
http://www.computer-engineering.fr
http://engage.nuance.fr/DSI-GHT-reussir-son-projet-reco-vocale?cid=7010W000002C2aSQAS&ls=website&rs=Ticsante&offer=speech_recognition&ot=ebook
26/10/2017   Envoyer par mail Imprimer   Aucun commentaire
Pour commenter cette dépêche Identifiez-vous

La "progression rapide" de l'intelligence artificielle va impacter le travail des radiologues

PARIS, 26 octobre 2017 (TICsanté) - Si les algorithmes d'intelligence artificielle (IA) restent encore peu utilisés au quotidien pour l'aide à interprétation d'images médicales, plusieurs études récentes attestent d'une "progression rapide" de la technologie, a témoigné le 13 octobre le Dr Guillaume Chassagnon, radiologue diagnosticien à l'hôpital Cochin (AP-HP, Paris), lors des Journées francophones de radiologie (JFR).

Intervenant lors d'une session consacrée aux actualités en imagerie thoracique, le Dr Chassagnon a souligné que le recours à l'intelligence artificielle en imagerie était "clairement un hot topic", avec plus de 200 articles scientifiques parus en 2017 et disponibles sur le moteur de recherche PubMed sur le sujet.

L'intelligence artificielle regroupe plusieurs procédés informatiques, dont le deep learning (apprentissage profond), sous-catégorie des technologies de machine learning (apprentissage machine) qui "donnent aux ordinateurs la capacité d'apprendre sans avoir été programmés explicitement", a-t-il rappelé.

Ces techniques font appel à différentes méthodes d'apprentissage supervisé ou non par l'homme et répondent à des problématiques de "classification" des images médicales et de "régression" sur lesquelles le Dr Chassagnon travaille actuellement avec ses équipes à l'hôpital Cochin.

"Nous essayons de faire de la classification et de la segmentation d'images sur la sclérodermie. Ici la question pour le logiciel d'IA est de dire, en analysant les radiographies pixel par pixel, s'il s'agit d'un poumon normal ou d'un poumon malade", a-t-il illustré.

Il travaille également à des méthodes de "régression" qui permettent, à partir d'une radio de patient atteint de mucoviscidose et d'un algorithme d'intelligence artificielle, de "monter un modèle qui prédise au mieux la fonction respiratoire du patient".

Pour "entraîner" les logiciels d'aide à l'interprétation d'images faisant appel à l'IA, il faut d'importantes bases de données d'imagerie médicale, dites "bases d'apprentissage" et un "algorithme d'apprentissage" (voir encadré), a souligné le Dr Chassagnon.

Les radiographies thoraciques sont "un substrat parfait pour l'apprentissage machine" car ce sont des éléments en deux dimensions et que "beaucoup d'images sont disponibles", a-t-il témoigné.

Application de l'IA sur les radiographies et scanners

Le Dr Chassagnon a cité plusieurs études récentes qui montrent les progrès réalisés par l'intelligence artificielle en imagerie.

Une étude coréenne parue en août dernier dans la revue Radiology a démontré par exemple l'efficacité de la méthode des réseaux de neurones convolutifs dans la détection des cas de tuberculose à partir d'imageries.

"On donne ici à l'algorithme d'IA un millier de radiographies non annotées, en lui indiquant si oui ou non il y a une tuberculose pulmonaire afin qu'il apprenne à distinguer lui-même des caractéristiques de l'image qui permettent de conduire au diagnostic", a expliqué le Dr Chassagnon. "La sensibilité et la spécificité de la méthode sont très bonnes: à plus de 90%, l'algorithme réussit à apprendre à discriminer si oui ou non la radio indique une suspicion de tuberculose", a-t-il relayé.

Le recours à l'IA dans l'interprétation des images scanners est "plus difficile" car il s'agit de volumes 3D "impossibles à gérer pour un algorithme, en tout cas avec la puissance informatique dont on dispose aujourd'hui", a-t-il poursuivi.

Les solutions techniques consistent pour l'instant à décomposer le scanner en une série d'images 2D ou à faire une analyse sur quelques coupes de l'image.

Une étude publiée dans Radiology au mois de septembre a réussi à démontrer l'efficacité des algorithmes d'intelligence artificielle pour déterminer le caractère bénin ou malin d'un nodule pulmonaire détecté sur un scanner, avec là aussi une sensibilité et une spécificité de l'ordre de 90%, a noté le Dr Chassagnon.

Vers de nouveaux logiciels d'aide à l'interprétation

En pratique, l'intelligence artificielle reste peu utilisée dans le quotidien des radiologues. "Le maximum d'IA qu'on a aujourd'hui se trouve le plus souvent dans notre micro, qui contient un système de reconnaissance vocale pour la dictée automatique", a reconnu le Dr Chassagnon.

Certains logiciels d'aide à la détection (CAD) embarquent des technologies d'intelligence artificielle, mais ils restent "peu élaborés par rapport à ce qu'on est capable de faire aujourd'hui", a-t-il relevé.

Il a toutefois estimé qu'à moyen terme, des logiciels de "nouvelle génération" permettront au radiologue de savoir, à partir d'une radiographie, s'il y a par exemple des signes de tuberculose ou de sclérodermie.

A plus long terme, il a esquissé l'éventualité d'une interprétation totalement automatisée des radiographies, scanners et IRM grâce à l'intelligence artificielle, tout en questionnant les conséquences d'une telle évolution pour les radiologues et les patients. "Seriez-vous prêts à monter dans un avion sans pilote ?" et "qui portera alors la responsabilité des erreurs médicales ?", a-t-il interrogé.

Selon une enquête* de la Société française de radiologie (SFR) réalisée avec le soutien de GE Healthcare et présentée aux JFR, 82% des radiologues affirment que l'IA peut améliorer la pertinence des décisions cliniques et 80% pensent qu'elle peut optimiser la productivité.

L'idée que les technologies d'IA puissent se substituer au radiologue d'ici 2030 reste toutefois utopique pour plus de 66% des répondants.

Différents types d'algorithmes d'apprentissage machine en imagerie:
  • La méthode de forêt d'arbres décisionnels: à partir de caractéristiques fournies par l'homme, l'algorithme de machine learning monte une série d'arbres décisionnels, les teste, et choisi l'arbre le plus performant, sélectionnant les paramètres les plus pertinents de l'image à prendre en compte.
  • La machine à vecteur de support (Support Vector Machine, SVM en anglais). Algorithme classificateur qui, à partir de caractéristiques fournies par l'homme, classifie les imageries en différents sous-groupes
  • Les réseaux de neurones artificiels ou convolutifs (deep Learning): réseaux de neurones informatiques imitant l'architecture des neurones humains (plusieurs informations pondérées en entrée, une valeur de sortie)
  • L'analyse en clusters: méthode d'apprentissage non supervisée consistant à créer, à partir d'une série d'imageries de patient, des sous-groupes répondant à des caractéristiques similaires.

*Enquête menée entre juillet et septembre 2017 auprès de 271 répondants, disponible sur demande auprès de la SFR

rm/ab

Partagez cet article

http://www.canyon.fr/
Les dépêches liées à cette information
https://www.groupepsih.com/
http://www.malta-informatique.fr/actualites/i2Jn4s/innovation-majeure-lancement-de-titan-teleconsultation
http://www.web100t.fr
http://www.ticsante.com/show.php?page=inscription