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.
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
Il vous reste 89% de l’article à lire
Docteur Imago réserve cet article à ses abonnés
Vous avez déjà un compte ? Se connecter
- 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
23 €
par mois
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
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Kim W (2024) Seeing the Unseen: Advancing Generative AI Research in Radiology. Radiology 311:2 https://doi.org/10.1148/radiol.240935.
Discussion
Aucun commentaire
Commenter cet article