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 15:13 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

22 Avr

15:54

Vivien Thomson, président de la société de téléradiologie Imadis, annonce le développement de la télé-interprétation en médecine nucléaire et le recrutement de 40 nouveaux associés d'ici l'été 2026 (article).

15:00

12:57

Aux États-Unis, le nombre de postes d'internat en radiologie a augmenté de 33 % entre 2010 et 2025, et le nombre total d'internes en radiologie a augmenté de 23 % entre 2010 et 2024. Le nombre de radiologues en exercice a augmenté de 12 % entre 2010 et 2022, passant de 34 328 à 38 306 médecins (étude).

7:43

Chez des patients présentant une occlusion d'un gros vaisseau et traités par thrombectomie mécanique, une intervention réalisée plus de 24 heures après l'événement n'était pas significativement associée à des différences en termes d'efficacité ou de sécurité par rapport à une intervention réalisée dans les 24 heures (étude).  

7:00

21 Avr

16:00

La FNMR dévoile les résultats d'un sondage réalisé par l'Institut Cluster 17 : 90 % des Français considèrent que la radiologie joue un rôle important en matière de prévention et de dépistage, et 85 % jugent justifiés les investissements dans les équipements d'imagerie (communiqué).
✕
Docteur Imago

GRATUIT
VOIR