L’intelligence artificielle et l’imagerie médicale

Les derniers développements de l’intelligence artificielle (IA), dont l’apprentissage machine (AM) et l’apprentissage profond (AP), ont permis de développer plusieurs outils qui aident les médecins dans leur quotidien.

L’apprentissage machine et l’apprentissage profond

L’apprentissage machine, une sous-catégorie de l’intelligence artificielle, est un système qui utilise des algorithmes pour analyser des données, les évaluer, ensuite déterminer une hypothèse et prédire un résultat. La machine est entraînée à l’aide de grandes quantités de données et des algorithmes qui permettent au système d’apprendre à exécuter une tâche.

L’apprentissage profond est un type d’apprentissage machine basé sur un système de probabilités. De plus, l’AP peut être représenté comme un système mathématique, inspiré du cerveau humain, que l’on appelle réseaux de neurones artificiels. Au fil des ans, les chercheurs ont amélioré le concept grâce à diverses techniques et les ordinateurs ont maintenant une puissance de calcul plus élevée. À l’aide d’une grande quantité de données, le système peut fournir des déclarations, des décisions ou des prédictions avec un certain degré de certitude.

Des outils d’aide à la décision et au diagnostic

Segmentation d’image

L’AP est récemment utilisé pour l’analyse de l’imagerie médicale, surtout pour la [tooltip note= »« partition de l’ensemble des pixels d’une image en différents groups » Réf. Agnès Desolneux »]segmentation]/tooltip]. La majorité des traitements médicaux ou des diagnostics nécessitent l’identification de régions d’intérêt sur ces images. Ces opérations sont largement réalisées manuellement par un radiologiste qui trace sur l’image la région affectée. Celles-ci prennent beaucoup de temps à réaliser et représentent un processus onéreux. Récemment, l’AP, principalement grâce aux réseaux de neurones convolutifs (ou réseaux de neurones à convolution), un arrangement de réseaux de neurones artificiels inspiré par le cortex visuel des animaux, s’est avéré une technique fiable dans le domaine du traitement d’images. L’AP a l’avantage d’automatiser cette étape pour ainsi détecter la maladie et poser un diagnostic pour le patient plus rapidement.

Figure 1 Segmentation du genou – vue sagittale

Annotation automatique

Plusieurs avancées en vision assistée par ordinateur et en annotation automatique ont été réalisées ces dernières années. Grâce aux algorithmes élaborés, le programme peut automatiquement annoter les imageries médicales. Prenons l’exemple d’une radiographie du thorax où l’image est annotée et décrite avec précision : détection de la maladie ou des lésions, emplacement, et gravité de celles-ci, ainsi que détermination des autres régions ou organes affectés.

Figure 2 Exemple d’annotation – Radiographie du thorax

Détection et diagnostic assistés par ordinateur

Différents types de détections assistées par ordinateur sont implantés dans le système PACS, un programme informatique utilisé par les médecins pour regarder les images médicales. Les radiologistes peuvent regarder jusqu’à une centaine d’images par jour, la détection assistée par ordinateur permettant une analyse plus rapide et efficace. Quelques études récentes ont démontré une bonne performance lorsque la détection assistée par ordinateur est utilisée pour le cancer du sein, qui touche environ 25 000 femmes au Canada [2], des poumons ainsi que la maladie d’Alzheimer [1].

Figure 3 Exemple de détection et d’annotation – Cancer du sein

L’intégration des mégadonnées à la médecine de précision

La médecine de précision consiste à étudier l’environnement, le mode de vie et le génome du patient pour prévenir la maladie ou proposer un traitement efficace et l’adapter à une personne. Cela est possible grâce aux appareils mobiles, aux diverses applications mobiles reliées à la santé, aux montres intelligentes ou aux entreprises comme 23andme ou BiogeniQ. En combinant toutes ces données et la médecine moderne, l’AP peut analyser et créer un profil de santé juste et personnalisé pour chaque patient.

Limitations et considérations de l’application de l’IA en radiologie

Pour conclure, malgré plusieurs études prometteuses, plusieurs problèmes existent et doivent être résolus avant que l’intelligence artificielle puisse remplacer les radiologistes.

L’AP est dépendante de la qualité ainsi que de la disponibilité de grandes quantités de données. Il faudrait établir des protocoles et des standards élevés dans les hôpitaux et les cliniques pour assurer une bonne qualité de l’image. Également, il y a le côté éthique et légal qui ne permet pas toujours d’utiliser les données cliniques pour créer des produits commerciaux. Encore plusieurs questions se posent. Comment l’IA fonctionne-t-elle? Peut-elle détecter efficacement les maladies rares?  Les systèmes développés sont toujours ultimement vérifiés par des radiologistes pour éviter le risque d’erreur et mal informer un patient.

Information supplémentaire

Pour plus d’information concernant la recherche qui s’effectue dans ce domaine à l’ÉTS, vous pouvez consulter les articles suivants :

• L’intelligence artificielle pour interpréter les images médicales
• Des algorithmes au service de l’imagerie médicale
• L’empreinte cérébrale : une image des connexions du cerveau.