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 15:12 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

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

03 Août

17:00

Une étude européenne met en évidence une grande hétérogénéité des pratiques de formation au dépistage du cancer du poumon par scanner à faible dose, ainsi que des lacunes importantes, notamment dans la gestion des résultats incidentels, des nodules pulmonaires, l’utilisation de l’IA et la communication avec les patients. Elle souligne la nécessité de développer un programme de formation européen harmonisé afin de renforcer les compétences des professionnels de santé impliqués dans le dépistage.

11:00

Un modèle prédictif basé sur une IRM pourrait aider à prédire les conséquences cardiovasculaires indésirables chez les patients diabétiques, selon une étude publiée dans Radiology.

7:30

Le dépistage d’incidence avec la mammographie avec contraste amélioré (CEM) maintient une performance élevée et peut offrir plus d’avantages que le dépistage de base, pour le dépistage des femmes à risque élevé de cancer du sein, selon une étude publiée dans Radiology.

7:00

31 Juil

16:28

Une étude parue dans la revue phiRO conclut qu'une architecture PocketNet offre une segmentation automatisée fiable des organes gynécologiques et des tumeurs cervicales sur IRM pondérée en T2, avec des performances comparables à celles d’un nnUNet de taille réelle tout en nécessitant beaucoup moins de mémoire et de temps d’entraînement.

8:00

Le CHU de Montpellier annonce avoir mené la prise en charge d'un AVC en 16 minutes, de l'admission du patient à la recanalisation, grâce à une organisation adaptée, qui nous avions présentée en 2023.
✕
Docteur Imago

GRATUIT
VOIR