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 14:13 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.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

20 Nov

13:31

L'Association européenne de cardiologie préventive (EAPC), l'Association européenne d'imagerie cardiovasculaire (EACVI) et la Société européenne de cardiologie (ESC) ont publié un consensus détaillant les indications, les protocoles et l'interprétation des examens d'imagerie cardiovasculaire lors du suivi et de la prise en charge des athlètes.

7:31

Le centre d'imagerie médicale Jeanne-d'Arc de Chartres (28), membre du groupe Résonance Imagerie, vient de s'équiper d'une IRM et d'un scanner, rapporte L'Écho Républicain. Le premier examen d'IRM a eu lieu le 9 novembre, tandis que le scanner entrera en service d'ici la fin d'année.
19 Nov

17:01

La thrombectomie sur un AVC ischémique large (score ASPECTS de 0 à 5) peut mener à une amélioration fonctionnelle même chez les plus de 80 ans, selon une étude rétrospective parue le 7 novembre 2026. Toutefois, l'âge est associé à un moins bon pronostic.

13:31

Les grands modèles de langage peuvent produire des supports pédagogiques de radiologie exploitables. Cependant, les preuves de leur efficacité sont limitées et de faible qualité, selon une revue systématique parue le 4 novembre 2026.
✕
Docteur Imago

GRATUIT
VOIR