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 15:10 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

10 Juil

16:00

La FDA (Food and Drug Administration) a approuvé la radioembolisation dans le cadre du traitement du carcinome hépatocellulaire non résécable, rapporte le site Diagnostic Imaging. Cette thérapie a également été récemment autorisée pour le traitement du cancer colorectal métastatique.

13:00

Sony a annoncé dans un communiqué le lancement de ses derniers moniteurs médicaux disponibles en trois tailles : 27 pouces, 32 pouces  et 43 pouces. Ces derniers intègrent des technologies avancées comme la technologie Backlight Master Drive de Sony qui améliore la luminosité et le contraste pour une meilleure visibilité.

7:00

Philips a reçu l’autorisation 510(k) de la FDA pour son logiciel de reconstruction d’apprentissage profond, SmartSpeed Precise, « marquant une étape majeure dans le parcours vers l’IRM autonome et personnalisée », souligne un communiqué de la société.
09 Juil

17:31

17:30

L’IRM post-traitement prédit avec précision la réponse pathologique complète après une chimio-immunothérapie néoadjuvante chez les patientes atteintes d’un cancer du sein triple négatif précoce, indique une étude française publiée dans la revue Radiology.

 

Docteur Imago

GRATUIT
VOIR