Apprentissage profond

Une IA de Google trie les radios thoraciques pour améliorer le flux de travail

Des chercheurs de Google Health ont entraîné et testé un système d’apprentissage profond capable de trier les examens de radiographie thoracique qui présentent des anomalies. Évalué dans le cadre d’une simulation de flux de travail, il a permis de réduire de 7 à 28 % le temps de prise en charge des cas anormaux.

icon réservé aux abonnésArticle réservé aux abonnés
Le 29/09/21 à 16:00, mise à jour aujourd'hui à 14:12 Lecture 3 min.

Le système de deep learning a été entraîné et réglé à l’aide d’une base de données de 248 445 patients d’un réseau de 5 groupes d’hôpitaux en Inde. © Nabulsi Z. et coll.

Les systèmes d’intelligence artificielle conçus pour analyser les radiographies thoraciques sont déjà nombreux. Pour la plupart, ils se concentrent sur la détection d’anomalies ou de pathologies spécifiques : pneumonies, épanchements pleuraux, etc. Pour Zaid Nabulsi et ses confrères de Google Health, la branche santé du géant de l’informatique, cette approche a le défaut de limiter leur utilité pour un centre ou un service de radiologie qui voudrait une assistance pour « prioriser » les patients et améliorer son flux de travail. Un algorithme conçu pour détecter une pathologie peut en effet passer à côté d’une autre et il est irréaliste d’imaginer agréger des systèmes multiples qui détecteraient chacun une ou plusieurs pathologies séparées, écrivent-ils dans la revue Scientific Reports [1].

Différencier les radios « normales » et « anormales »

Les chercheurs de la firme californienne ont donc opté pour une autre démarche, et développé un algorithme d’apprentissage profond capable de diff

Il vous reste 76% 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

Jérome Hoff

Rédacteur en chef adjoint BOM Presse Clichy

Voir la fiche de l’auteur

Bibliographie

  1. Nabulsi Z., Sellergren A., Jamshy S. et coll., « Deep learning for distinguishing normal versus abnormal chest radiographs and generalization to two unseen diseases tuberculosis and COVID-19 », Scientific Reports, septembre 2021, vol. 11, n° 15553. DOI : https://doi.org/10.1038/s41598-021-93967-2.

Spécialité médicale

Urgence Pneumologie

Modalité d’imagerie

Radiologie conventionnelle

Mots-clés

intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

16 Jan

15:29

Un tissu mammaire dense réduit la performance de la tomosynthèse mammaire numérique, selon une étude publiée dans Academic Radiology. « Ces résultats soulignent la nécessité de rapporter et de prendre en compte la densité mammaire dans les recommandations de dépistage. »

13:27

Vidi Capital finalise son rapprochement avec le groupe IMAC à Cholet, qui rejoint le réseau. Cette opération porte à 110 le nombre de médecins en exercice, répartis au sein de sept entités et IMAC devient ainsi le deuxième groupe des Pays-de-la-Loire à s’adosser à Vidi Capital, après Vidi – Rad’Yon, annonce un communiqué de presse.

7:13

Bayer a annoncé la conclusion d’accords définitifs pour l’acquisition auprès d’Attralus de deux agents d’imagerie moléculaire expérimentaux, AT-01 et AT-05, destinés au diagnostic de l’amyloïdose cardiaque. Cette opération stratégique renforce la position de Bayer dans l’imagerie moléculaire et s’inscrit dans le développement de sa stratégie de cardiologie de précision, annonce un communiqué.

7:00

15 Jan

15:14

Les élections de l’European Society of Radiology (ESR) se tiendront du 8 au 21 janvier 2026. Deux candidates soutenues par la SFR, les professeurs Isabelle Thomassin-Naggara et Corinne Balleyguier, présentent leur candidature. Les radiologues français membres de l’ESR sont appelé à se mobiliser en votant par courriel : voting@polyas.com.

13:13

Bien que les unités mobiles de mammographie puissent améliorer l’accès aux soins pour des populations médicalement défavorisées, une étude pilote publiée dans Academic Radiology, met en lumière des opportunités pour promouvoir un suivi rapide et équitable des mammographies de dépistage anormales grâce à une meilleure navigation des patients, un soutien social et une aide financière.
✕
Docteur Imago

GRATUIT
VOIR