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 15:12 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

10 Juin

7:18

Le score de calcification de l'aorte abdominale pourrait servir de marqueur potentiel pour identifier les patients présentant un risque de fracture de la hanche, afin de les inciter à prendre des médicaments contre l'ostéoporose (étude).

7:00

09 Juin

14:53

Le centre hospitalier William Morey de Chalon-sur-Saône (71) a déclaré un événement significatif de radioprotection après avoir constaté des dépassements de doses lors d’examens radiologiques pédiatriques, concernant 1 500 patients, dont 225 nourrissons, entre 2019 et 2025.

12:49

Une étude publiée dans Emergency Radiology indique que la reconstruction par apprentissage profond compressed sensing (CS-DLR) en IRM cérébrale 3 T réduit significativement le temps d’examen chez les patients atteints d’AVC ischémique aigu tout en améliorant ou en préservant la qualité diagnostique des images.

7:30

Une étude publiée dans phiRO montre qu'un protocole de cone beam CT (CBCT) de 6 secondes permet une localisation et une estimation volumétrique précises des tumeurs pulmonaires chez les patients présentant une respiration régulière. En revanche, pour les respirations lentes ou irrégulières, un protocole de 60 secondes offre une meilleure précision.

7:00

✕
Docteur Imago

GRATUIT
VOIR