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 hier à 15:10 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

Pneumologie Urgence

Modalité d’imagerie

Radiologie conventionnelle

Mots-clés

intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

16 Sep

15:39

366 praticiens de l’AP-HP, dont 33 radiologues et 18 médecins nucléaires, étaient signataires d’un contrat d’activité libérale en cours en 2023, selon un rapport disponible en ligne. Un nombre stable depuis une dizaine d’années. Par rapport à 2022, le volume d’activité libérale progresse de 19 % et le montant des honoraires de 5,1 %.

13:38

La Société française de radiothérapie oncologique tiendra son congrès 2025 du 17 au 19 septembre à Bordeaux (33). Le programme abordera toutes les thématiques de la spécialité : recherche, sécurité et radioprotection, nouveaux outils, sans oublier l'actualité réglementaire. Renseignements et inscriptions sur le site de l'événement.

12:00

7:30

Dans une étude rétrospective espagnole, un modèle d'intelligence artificielle intégrant les données cliniques et mammographiques a mieux prédit le risque de cancer à 2 ans qu'un modèle basé sur les seules données d'imagerie.

7:00

15 Sep

15:26

La Food and Drug Administration (FDA) a donné son autorisation au logiciel CT:VQ, qui transforme un scanner thoracique sans injection de produit de contraste en cartes quantitatives de ventilation (V) et de perfusion (Q) par lobe pulmonaire, indique un communiqué publié dans zone bourse.
✕
Docteur Imago

GRATUIT
VOIR