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 15:11 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

09 Avr

16:21

Une étude multicentrique publiée dans European Radiology montre qu’un modèle de deep learning combinant nnU-Net et ConvNeXt-tiny permet d’évaluer avec précision l’invasion musculaire dans le cancer de la vessie à partir d’IRM, avec des performances élevées et stables.

15:00

13:17

Une étude pilote a évalué un outil d’IA (BoneView) capable de détecter les fractures liées à la maltraitance chez des enfants de moins de 5 ans, montrant une légère amélioration de sa précision après un premier réentraînement. Ces résultats préliminaires suggèrent qu’un entraînement supplémentaire pourrait permettre d’atteindre des performances cliniquement utiles et renforcer l’aide au diagnostic dans ce contexte.

7:11

Une étude prospective comparant la radiographie conventionnelle à une reconstruction avancée 3D montre que cette dernière détecte toutes les fractures des membres avec une sensibilité de 100 %, contre 46,7 % pour la méthode classique, tout en conservant une excellente spécificité et qualité d’image. Son utilisation aux urgences pourrait améliorer la précision diagnostique, réduire les examens complémentaires et accélérer la prise en charge des patients.

7:00

08 Avr

16:29

Les images monoénergétiques virtuelles, combinées à des algorithmes de réduction des artefacts métalliques créées à partir de scanners à comptage photonique (PCCT), permettent une excellente visualisation des anévrismes intracrâniens préalablement traités et des vaisseaux adjacents, indique une étude. L’extension de ces résultats à des applications cliniques préliminaires chez l’humain s’avère également possible.
✕
Docteur Imago

GRATUIT
VOIR