Imagerie thoracique

Quelle place pour l’IA dans la lutte contre la Covid-19 ?

Une session du RSNA 2020 consacrée au rôle de l'IA dans la pandémie de Covid-19 a réuni des intervenants chinois et américains. Ils ont dressé le bilan des atouts et des limites de l'intelligence artificielle, et appelé à un contrôle qualité plus strict des produits.

icon réservé aux abonnésArticle réservé aux abonnés
Le 01/12/20 à 8:00, mise à jour aujourd'hui à 15:13 Lecture 3 min.

Pour l’orateur chinois Shi-Yuan Liu, radiologue à l’hôpital Changzheng à Shanghai, l’IA permet aux radiologues de travailler plus efficacement. capture d'écran RSNA 2020

Les deux thèmes phares du RSNA 2020 se sont partagé l’affiche au premier jour du congrès. L'intelligence artificielle et la Covid-19 étaient au programme d’une session commune le 29 novembre, lors de laquelle un radiologue américain et un radiologue chinois ont présenté leurs retours d’expérience respectifs sur l’utilisation de l’IA pour l’aide à la décision dans le contexte de Covid-19.

Détection et prédiction

Face à la pandémie, les besoins d’un outil d’IA se sont concentrés dans un premier temps sur le diagnostic initial, explique Greg Zaharchuk, professeur de radiologie à l’université de Stanford. « C’était un paramètre très important dans la première phase épidémique, lorsque les systèmes de santé ont été submergés et que les radiologues ne connaissaient pas cette nouvelle maladie », observe-t-il.
Désormais, le diagnostic initial de la Covid-19 n’est plus une problématique de premier plan et les besoins d’outils d’IA s’orientent plus vers la prédiction de l’évolution de la maladie, p

Il vous reste 79% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

Carla Ferrand

Journaliste cheffe de rubrique

Voir la fiche de l’auteur

Bibliographie

  1. Mei X., Lee H.-C., Yang Y. et coll., « Artificial intelligence-enabled rapid diagnosis of patients with COVID-19 », Nature Medicine, mai 2020, vol. 26, p. 1224-1228. DOI : 10.1038/s41591-020-0931-3.
  2. Li M. D., Arun N. T., Gidwani M. et coll., « Automated assessment and tracking of COVID-19 pulmonary disease severity on chest radiographs using convolutional siamese neutral networks », Radiology : Artificial Intelligence, juillet 2020, vol. 2, n° 4. DOI : 10.1148/ryai.2020200079.
  3. Li L., Qin L., Xu Z. et coll., « Using artificial intelligence to detect COVID-19 and Community-acquired pneumonia based on pulmonary CT: Evaluation of the diagnostic accuracy », Radiology, août 2020, vol. 296, n° 2. DOI : 10.1148/radiol.2020200905.

Spécialité médicale

Pneumologie

Modalité d’imagerie

Scanner Radiologie conventionnelle

Mots-clés

RSNA 20 intelligence artificielle COVID-19

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

10 Avr

15:32

Un modèle d’IA à apprentissage profond montre un potentiel en tant qu’outil de dépistage opportuniste de la santé osseuse chez les enfants, selon une étude publiée dans Radiology.

15:00

13:14

Les événements de sécurité des patients en radiologie représentent une faible proportion des incidents (3,2 %), mais révèlent des vulnérabilités importantes, notamment chez les enfants et les personnes âgées, avec un risque élevé lié aux médicaments et aux produits de contraste, selon une étude publiée dans Current Problems in Diagnostic Radiology

7:13

Les patientes atteintes d’un cancer du sein qui développent un dysfonctionnement cardiaque lors d’une chimiothérapie néoadjuvante subissent également une perte de tissu cérébral significativement plus importante que celles dont la fonction cardiaque reste stable, selon une étude publiée dans Academic Radiology.

7:00

09 Avr

16:21

Une étude multicentrique publiée dans European Radiology montre qu’un modèle de deep learning combinant nnU-Net et ConvNeXt-tiny permet d’évaluer avec précision l’invasion musculaire dans le cancer de la vessie à partir d’IRM, avec des performances élevées et stables.
✕
Docteur Imago

GRATUIT
VOIR