Intelligence artificielle

Aux JFR, un état de l’art exhaustif de l’IA générative en radiologie en 2024

Modèles de fondation, images synthétiques, structuration automatisée des comptes-rendus... à l'occasion des Journées francophones de radiologie, le 7 octobre, le radiologue Guillaume Herpe a détaillé les applications à l'étude ainsi que les derniers résultats des IA génératives dans différents domaines de l'imagerie médicale.

icon réservé aux abonnésArticle réservé aux abonnés
Le 11/12/24 à 7:00, mise à jour le 11/12/24 à 17:10 Lecture 6 min.

Dans son laboratoire DACTIM à Poitiers, Guillaume Herpe travaille à passer d'un examen IRM en T1 (à gauche) à une image synthétique en T2 modellisée par IA (à droite). « Ça ouvre des perspectives, comme une meilleure évaluation de l’œdème ou l'accélération des séquences », détaille-t-il. © Capture d'écran jfr.plus | diaporama Guillaume Herpe

Depuis 2018, l'essor des systèmes d'intelligence artificielle (IA) générative 1 n'en finit plus de révolutionner l'imagerie médicale. Leur boom est encore plus marqué depuis le lancement du grand modèle de langage 2 (ou LLM) ChatGPT, lancé en 2022. Lors des Journées francophones de radiologie (JFR 2024), le 7 octobre 2024, Guillaume Herpe, radiologue au CHU de Poitiers (86) et directeur médical d’Incepto, a donc proposé un tour d'horizon de ce que permettent déjà les IA génératives au quotidien en imagerie. Il a aussi développé les dernières actualités scientifiques concernant leurs applications potentielles en radiologie.

Des logiciels qui analysent et produisent images comme textes

Le radiologue a commencé par rappeler les grands principes des IA génératives : « Leurs fonctions d’extraction, de transformation et de création de l'information sont liées et peuvent utiliser du texte ou de l’image ». Par ces profondes interactions image-texte en entrée et en sortie, des IA génératives

Il vous reste 89% 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

Notes

1 : Une IA générative désigne une IA relevant de l’apprentissage profond qui est capable de générer du texte, des images ou d’autres contenus complexes en réponse à des lignes de commandes, ou prompts (définition tirée de notre lexique sur les termes de l’IA en radiologie).

2 : Un grand modèle de langage (ou LLM, pour large language model) est un modèle de fondation pouvant comprendre et générer des textes en langage naturel, selon l’entreprise informatique américaine IBM.

3 : Un modèle de fondation est une IA générative développée sur un ensemble de données dont la quantité et la diversité sont particulièrement importantes, et qui peut réaliser une grande diversité de tâches distinctes, selon la définition qu’en donne la Commission nationale de l’informatique et des libertés (CNIL).

Bibliographie

  1. Ma J, He Y, Li F, et al (2024) Segment anything in medical images. Nature Communications 15:654 https://doi.org/10.1038/s41467-024-44824-z.
  2. Suh PS, Shim WH, Suh CH, et al (2024) Comparing Diagnostic Accuracy of Radiologists versus GPT-4V and Gemini Pro Vision Using Image Inputs from Diagnosis Please Cases. Radiology 312:1 https://doi.org/10.1148/radiol.240273.
  3. Brin D, Sorin V, Barash Y, et al (2024) Assessing GPT-4 multimodal performance in radiological image analysis. European Radiology https://doi.org/10.1007/s00330-024-11035-5.
  4. Lee JH, Han IH, Kim DH, et al (2020) Spine Computed Tomography to Magnetic Resonance Image Synthesis Using Generative Adversarial Networks : A Preliminary Study. Journal of Korean Neurosurgical Society 63:386–396. https://doi.org/10.3340/jkns.2019.0084.
  5. Chambon P, Bluethgen C, Delbrouck J-B, et al (2022) RoentGen: Vision-Language Foundation Model for Chest X-ray Generation. Preprint arXiv https://arxiv.org/abs/2211.12737.
  6. Khosravi B, Li F, Dapamede T, et al (2024) Synthetically enhanced: unveiling synthetic data’s potential in medical imaging research. eBioMedicine 104:105174. https://doi.org/10.1016/j.ebiom.2024.105174.
  7. Lyo S, Mohan S, Hassankhani A, et al (2024) From Revisions to Insights: Converting Radiology Report Revisions into Actionable Educational Feedback Using Generative AI Models. Journal of Imaging Informatics in Medicine https://doi.org/10.1007/s10278-024-01233-4.
  8. Hu D, Liu B, Zhu X, et al (2023) Zero-shot information extraction from radiological reports using ChatGPT. International Journal of Medical Informatics 183:105321 https://doi.org/10.1016/j.ijmedinf.2023.105321.
  9. Kim W (2024) Seeing the Unseen: Advancing Generative AI Research in Radiology. Radiology 311:2 https://doi.org/10.1148/radiol.240935.

Mots-clés

innovation intelligence artificielle ChatGPT algorithmes

4 octobre 2024 au 7 octobre 2024

Journées francophones de radiologie 2024

Congrès
Palais des congrès de Paris, 2 place de la Porte Maillot, Paris, France, 75017, Île-de-France

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

11 Fév

7:16

L’obésité réduit la performance de la radiographie thoracique pour le diagnostic de pneumonie, avec une concordance et une sensibilité nettement inférieures à celles observées chez les patients non obèses. Dans ce contexte, le scanner thoracique démontre une précision diagnostique supérieure pour la pneumonie, chez les patients obèses. (Étude)

7:00

10 Fév

16:00

L'arrêté du 4 février 2026 fixe le contenu et les modalités des appels à candidature pour l'expérimentation du retraitement de certains dispositifs médicaux à usage unique, notamment certains types de cathéters.

14:11

Les modèles de comptes rendus structurés IRM spécifiques à l'endométriose amélioreraient considérablement l'exhaustivité de la documentation par rapport aux modèles généraux et au texte libre (étude).

7:12

Des chercheurs ont développé et validé un modèle pronostique combinant des caractéristiques IRM préthérapeutiques et des données cliniques chez des patients atteints de carcinome hépatocellulaire traités par une chimioembolisation transartérielle, chimiothérapie par perfusion artérielle hépatique et immunothérapie ciblée. Le modèle de synergie imagerie fonctionnelle-fonction hépatique démontre une précision pronostique supérieure à celle des paramètres conventionnels de charge tumorale chez les patients atteints de carcinome hépatocellulaire recevant une thérapie quadruple. De plus, le système de notation à 10 points dérivé permet une stratification des risques cliniquement exploitables. (Étude)  

7:00

✕
Docteur Imago

GRATUIT
VOIR