L'intelligence artificielle pour aider au diagnostic de la tuberculose dans les pays en développement
LUNDI 24 AVRIL 2017
Soyez le premier à réagirLes machines pourraient, grâce à l’intelligence artificielle, venir en aide aux radiologues pour identifier et soigner plus rapidement les cas de tuberculose, notamment dans les pays en voie de développement. Une étude publiée dans la revue Radiology a testé deux modèles d’apprentissage pour les machines dans ce cadre.
Les chercheurs expérimentent de nos jours des modèles d'intelligence artificielle pour identifier la tuberculose (TB) sur les radiographies du thorax, ce qui peut aider les examens de dépistage et de diagnostic dans les régions du monde où la TB a une forte prévalence où le nombre limité de radiologues est limité, selon une nouvelle étude publiée en ligne dans la revue Radiology.
Le problème de la tuberculose dans les pays en vois de développement
Selon l'Organisation mondiale de la santé, la tuberculose est l'une des 10 principales causes de décès dans le monde. En 2016, environ 10,4 millions de personnes ont été atteintes, ce qui a entraîné 1,8 million de décès. La tuberculose peut être identifiée sur l'imagerie thoracique, cependant, dans certains pays, les radiologues ne possèdent pas l’expertise nécessaire pour l’identifier. "Il existe un intérêt significatif pour l'intelligence artificielle, tant à l'intérieur qu'à l'extérieur du domaine médical", a déclaré le co-auteur de l'étude, le Dr Paras Lakhani, du Thomas Jefferson University Hospital (TJUH) de Philadelphie. "Une solution d'intelligence artificielle susceptible d’aider les radiologues à diagnostiquer la tuberculose de manière peu coûteuse pourrait réduire le temps d'identification et de traitement dans les pays en développement".
Des machines étudient des données croisées issues de radiographies thoraciques
L'apprentissage approfondi est un type d'intelligence artificielle qui permet aux ordinateurs de compléter les tâches en fonction du croisement des données existantes. Un réseau nerveux convolutif profond (DCNN), inspiré de la structure du cerveau, emploie plusieurs couches cachées et des modèles pour classer les images. Pour l'étude, le Dr Lakhani et son collègue, le Dr Baskaran Sundaram, ont rassemblé 1 007 radiographies pulmonaires de patients avec et sans
tuberculose active. Les cas se composaient de multiples jeux de données issus de radiographies thoraciques des National Institutes of Health, du Belarus Tuberculoses Portal et de la TJUH. Les jeux de données ont été divisés en formation (68,0%), validation (17,1%) et test (14,9%). Les cas ont été utilisés pour former deux modèles de DCNN différents - AlexNet et GoogLeNet - qui ont tiré des radiographies TB-positives et TB-négatives. La précision des modèles a été testée sur 150 cas qui ont été exclus des ensembles de données de formation et de validation.
L’intelligence artificielle gagne en précision
Le modèle d'intelligence artificielle le plus performant était une combinaison de l'AlexNet et de GoogLeNet, avec une précision nette de 96%. "La précision relativement élevée des modèles d'apprentissage en profondeur est passionnante", a déclaré le Dr Lakhani. «L'applicabilité à la tuberculose est importante parce que c'est une maladie pour laquelle nous avons des options de traitement. C'est un problème qui peut être résolu. ” Les deux modèles DCNN avaient un déficit dans 13 des 150 cas de test. Pour ces cas, les chercheurs ont évalué un workflow où un radiologue expert a pu interpréter les images, diagnostiquant avec précision 100 pour cent des cas. Ce flux de travail, qui a incorporé un humain dans la boucle, avait une plus grande précision de près de 99%. «L'application de l'apprentissage approfondi à l'imagerie médicale est un domaine relativement nouveau», a déclaré le Dr Lakhani. "Par le passé, d'autres approches d'apprentissage par la machine n'arrivaient qu'à atteindre un niveau de précision d'environ 80%. Cependant, avec un apprentissage approfondi, il existe un potentiel pour des solutions plus précises, comme l'ont montré ces recherches. ” Le Dr. Lakhani a déclaré que l'équipe envisageait d'améliorer encore les modèles avec des pathologies différentes et d'autres méthodes d'apprentissage en profondeur.
"Nous espérons l'appliquer prospectivement dans un environnement réel", a-t-il déclaré. "Une solution d'intelligence artificielle utilisant l'imagerie thoracique peut ainsi jouer un rôle important dans la lutte contre la tuberculose".
Bruno Benque avec RSNA