Un algorithme peut détecter le cancer en seulement deux heures

Tout le monde sait que pour les personnes atteintes d’une tumeur il est essentiel qu’elle soit détectée le plus rapidement possible. Dans ce contexte, les médecins commencent à s’appuyer sur des algorithmes d’intelligence artificielle pour accélérer les diagnostics et les plans de traitement, dans le but de prendre plus de temps pour voir plus de patients, avec plus de précision.

Comment l’intelligence artificielle a-t-elle appris à détecter les tumeurs ?

La start-up MD.ai utilise algorithmes :

  • l’un détecte la présence de nodules tumoraux
  • l’autre évalue le potentiel de malignité.

Voilà comment a été pensée l’IA par MD.ai :

  • Utilisation de puissantes requêtes interactives basées sur le traitement du langage naturel pour créer des ensembles de données à partir d’archives et de collections non structurées.
  • Étiquetage et annotation des ensembles de données de façon collaborative à l’aide de l’application Web, avec des fonctions de contrôle de la qualité et de gestion de projet. Il est permis d’adapter les étiquettes et les annotations à l’examen, à la série ou à l’image.
  • Création et annotation d’importants ensembles de données publiques dans le but d’accélérer la recherche et l’application de l’IA en médecine.
  • Envoi des ensembles de données annotées pour la formation de modèles d’apprentissage profond. Ces modèles formés peuvent être utilisés plus avant dans le flux de travail d’annotation, analysés pour une validation clinique rigoureuse supplémentaire ou préparés pour la production.
  • Validation des modèles formés sur des ensembles de données supplémentaires. Le fait d’être connecté au processus de création et d’annotation des données permet une itération et une amélioration rapides du modèle.
  • Déploiement des modèles formés sur la toile.

ia-tumor

L’intelligence artificielle développée pour l’usage médical est complexe : un algorithme lit de nombreux scans médicaux d’organes avec des tumeurs, aussi bien que des images sans tumeur, et est chargé d’apprendre les modèles qui différencient les deux catégories.

Le réglage de la précision algorithmique pour la détection de nodules

La façon dont est mesurée la précision de l’algorithme de détection des nodules au fur et à mesure qu’il apprend à trouver ces tumeurs est la même que dans un cabinet de spécialiste, avec une mesure appelée « Recall ». Recall nous indique le pourcentage de nodules capturés par l’algorithme, compte tenu d’un nombre défini de fausses alarmes. Par exemple, 60 % pour Recall@1 signifie qu’il capterait 60 % des tumeurs, avec une fausse alarme par scan autorisé. Pour l’algorithme de malignité, c’est simplement le pourcentage de nodules correctement identifiés.

Théoriquement, vous pourriez régler le seuil de fausses alarmes plus haut ou plus bas, mais cela aurait un impact sur le pourcentage de nodules capturés. Si quatre fausses alarmes étaient autorisées par nodule capturé, par exemple, le pourcentage augmenterait. Dans le monde réel, un plus grand nombre de fausses alarmes signifie des tests inutiles pour les patients. Mais chaque médecin pourrait être à l’aise avec différents niveaux de sensibilité algorithmique, en priorisant l’exactitude ou en réduisant le nombre de faux positifs, en fonction de son propre flux de travail.

L’IA, une autre forme d’apprentissage que l’humain

Ce projet met en évidence les principales différences entre les humains et les systèmes modernes d’IA. Les humains sont très efficaces pour apprendre en s’appuyant sur ce que nous savons préalablement. Par exemple, considérez les nodules calcifiés, qui sont presque certainement bénins. Il est facile pour l’homme d’apprendre à les reconnaître, car les nodules calcifiés sont beaucoup plus denses (plus brillants) que les nodules non calcifiés. On peut simplement nous dire : « un nodule très dense est calcifié et donc bénin » et nous pouvons utiliser cette connaissance pour obtenir la bonne réponse, même sans pratique.

Cependant, le système d’IA n’a aucun moyen d’incorporer la connaissance ; il ne peut pas comprendre le concept de « calcifié » comme un concept. Puisque l’IA n’a aucune idée de ce à quoi ressemble le calcium, ou que les nodules calcifiés sont bénins, elle doit construire cette compréhension à partir de nombreux exemples. Dans ce cas, il a fallu plus de 50 000 images pour apprendre ce qu’un humain pouvait apprendre d’une description dans un livre.

D’autre part, les systèmes d’IA acquièrent rapidement de l’expérience. Ces 50 000 images ont été examinées en moins de 20 minutes, une tâche qui prendrait des années humaines. Ainsi, pour les décisions plus complexes, où l’expérience est plus précieuse que la connaissance, les systèmes d’IA peuvent même avoir un avantage.

Technologie pour réduire les coûts médicaux

Pourtant, ces technologies d’IA ne remplaceront pas complètement les médecins formés. Ce n’est encore qu’une petite partie de ce que font les radiologistes ou les médecins. Les nouveaux systèmes d’IA examineront les scanners plus rapidement et avec plus de précision avant que les médecins n’examinent la situation du patient plus en détail. Idéalement, ces assistants d’IA réduiront les coûts des soins de santé, car les dépistages exigent beaucoup de temps des médecins, qui peuvent aussi faire des erreurs.

Les médecins ne font pas beaucoup de diagnostics faussement négatifs – ils ne parviennent pas à identifier les signes de cancer dans un scan. Mais les faux positifs sont un problème. Les hôpitaux finissent souvent par consacrer du temps et de l’argent à suivre les progrès des patients qui n’ont pas besoin de soins aussi rapprochés.

Les prémisses de l’IA dans les soins de santé

Ce genre d’IA ne fait que commencer. Mais cela changera fondamentalement le domaine des soins de santé, en particulier dans les pays en développement, où les médecins formés ne sont pas aussi répandus. Si les machines pouvaient égaler voire surpasser les performances de certains médecins, cela pourrait changer la façon dont les hôpitaux fonctionnent.

Conclusion

L’IA fonctionne très bien, bien qu’elle ne soit, actuellement, pas encore au niveau d’un radiologue. C’est surtout parce que l’ensemble de données n’est pas assez grand. Des systèmes similaires développés par des sociétés de technologie ou des hôpitaux tenteraient d’utiliser des dizaines, voire des centaines de milliers de personnes.

You might also like

Comments are closed.