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 14:13 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

11 Fév

16:09

Median Technologies a obtenu l’autorisation 510(k) de la FDA pour son dispositif médical eyonis® LCS.  Basé sur l’IA. Celui-ci vise à transformer le dépistage du cancer du poumon en aidant à son diagnostic à des stages précoces et curables et ce, en limitant les examens de suivi inutiles et les faux positifs.

13:30

Un rapport conjoint publié en janvier 2026, de la joint commission, organisme de certification aux Etats-Unis et du National Quality Forum (NQF), mentionne le « Préjudice au patient associé à une lésion thermique liée à l'IRM », comme un domaine d’inquiétude important. Les deux organismes américains ont aligné leurs listes des événements Sentinel et « événements graves à signaler », afin de simplifier le signalement des événements de sécurité des patients. (Source)

7:16

L’obésité réduit la performance de la radiographie thoracique pour le diagnostic de pneumonie, avec une concordance et une sensibilité nettement inférieures à celles observées chez les patients non obèses. Dans ce contexte, le scanner thoracique démontre une précision diagnostique supérieure pour la pneumonie, chez les patients obèses. (Étude)

7:00

10 Fév

16:00

L'arrêté du 4 février 2026 fixe le contenu et les modalités des appels à candidature pour l'expérimentation du retraitement de certains dispositifs médicaux à usage unique, notamment certains types de cathéters.

14:11

Les modèles de comptes rendus structurés IRM spécifiques à l'endométriose amélioreraient considérablement l'exhaustivité de la documentation par rapport aux modèles généraux et au texte libre (étude).
✕
Docteur Imago

GRATUIT
VOIR