Publicité

Une feuille de route pour améliorer la recherche en IA appliquée à l'imagerie médicale

17/04/2019
De Bruno Benque avec RSNA

Dans un contexte de développement tous azimuts de l'intelligence artificielle appliquée à l'imagerie médicale, les principaux acteurs scientifiques américains ont élaboré une feuille de route pour accélérer la recherche dans ce domaine. Un rapport a été rédigé en ce sens.

En août 2018, un atelier s'est tenu aux National Institutes of Health (NIH) à Bethesda, dans le Maryland, en collaboration avec la Radiological Society of North America (RSNA), l'American College of Radiology (ACR) et l'Académie de recherche en radiologie et imagerie biomédicale (The Academy), pour explorer l'avenir de l'intelligence artificielle (IA) en imagerie médicale.

Une feuille de route pour accélérer la recherche en matière d'IA appliquée à l'imagerie médicale

Cet atelier avait pour objectif d'identifier les lacunes dans les connaissances dans le domaine de l'IA et à élaborer une feuille de route pour hiérarchiser les besoins en recherche. Un rapport a été publié le 16 avril 2019 dans la revue Radiology. "Les défis scientifiques et les opportunités de l'IA en imagerie médicale sont profonds, mais très différents de ceux auxquels l'IA est confrontée en général, précise le Dr Curtis P. Langlotz, Prrofesseur de radiologie et d'informatique biomédicale, directeur du Centre d'intelligence artificielle en médecine et en imagerie et président associé des systèmes d'information au département de radiologie de l'Université de Stanford, et auteur principal du rapport. Notre objectif était de fournir un schéma directeur aux sociétés professionnelles, aux agences de financement, aux laboratoires de recherche et à toutes les autres personnes travaillant sur le terrain afin d'accélérer la recherche d'innovations en matière d'IA bénéficiant aux patients."

Le deep learning en imagerie n'en est qu'à ses débuts

Les laboratoires de recherche en imagerie créent rapidement des systèmes de deep learning qui atteignent des performances humaines optimales en utilisant des méthodes et des outils à code source ouvert. Ces systèmes sont en cours de développement pour l'amélioration de la reconstruction des images médicales, la réduction du bruit, l'assurance qualité, le triage, la segmentation, la détection ou la classification assistée par ordinateur ou la radiogénomique. Et la recherche en deep learning n'en est encore qu'à ses débuts. "La participation de la RSNA à cet atelier est essentielle à l’évolution de l’IA en radiologie, souligne le Dr Mary C. Mahoney, présidente du Conseil d’Administration de la RSNA. Notre société savante est très impliquée dans l'éducation à l'IA et nous sommes bien placés pour aider les chercheurs et les praticiens en radiologie à mieux comprendre ce que cette technologie signifie pour la médecine."

Des progrès à faire dans la reconstruction et l'annotation des images notamment

Dans ce rapport, les auteurs décrivent plusieurs thèmes de recherche clés et décrivent une feuille de route pour accélérer les progrès de la recherche fondamentale pour le deep learning en imagerie médicale. Parmi les axes de progrès, il met en lumière les nouvelles méthodes de reconstruction d'images permettant une interprétation humaine à partir de données sources, des méthodes automatisées d'étiquetage et d'annotation des images, y compris l'extraction d'informations à partir des comptes rendus, le phénotypage électronique et la création prospective de comptes rendus structurés, ou de nouvelles méthodes de deep learning pour les données d'imagerie clinique.

Le rapport décrit des innovations qui permettraient de produire davantage de bases de données étiquetées ou annotées, accessibles au public, validés et réutilisables permettant d'évaluer de nouveaux algorithmes. En outre, de nouvelles architectures d'algorithmes pré-entrainés, adaptés aux données d'imagerie clinique, doivent être développés, de même que des méthodes favorisant les échanges de données entre institutions.

En exposant les objectifs fondamentaux de la recherche sur l'IA en imagerie médicale, les auteurs soulignent que les agences de normalisation des données, les sociétés professionnelles, les agences gouvernementales et le secteur privé doivent travailler ensemble pour atteindre ces objectifs au service des patients.

SUR LE MÊME THÈME

IA & Données

Trouver le modèle qui puisse efficacement intégrer l'IA dans le flux de travail du radiologue

Le médecin-chercheur Eric J. Topol et le spécialiste en IA de Harvard, Pranav Rajpurkar plaident en faveur d'une séparation claire des rôles entre les systèmes d'IA et les radiologues dans un éditorial publié dans la Revue Radiology. Ils proposent un cadre que les radiologues doivent adapter à leurs...

28/08/2025 -

IA & Données
Un acteur français de l'IA propose deux outils TDM pour la détection du cancer

Un acteur français de l'IA propose deux outils TDM pour la détection du cancer

Gleamer, acteur française de l’IA médicale, a lancé en juillet dernier sa suite OncoView destinée à assister les radiologues dans la détection précoce du cancer par densitométrie (TDM).

22/08/2025 -

IA & Données
Un réseau de radiologues français conclut un accord avec un fournisseur d'IA pour le diagnostic

Un réseau de radiologues français conclut un accord avec un fournisseur d'IA pour le diagnostic

Gleamer a annoncé, le 10 Juillet 2025, la signature d’un partenariat stratégique avec le réseau France Imageries Territoires (FIT) pour le déploiement des solutions Gleamer Copilot® dans l’ensemble des centres d’imagerie du réseau FIT.

29/07/2025 -

IA & Données
Les comptes rendus radiologiques ne sont pas près de passer par GPT-4
Abonné(e)

Les comptes rendus radiologiques ne sont pas près de passer par GPT-4

Les grands modèles de langage multimodaux seraient-ils capables de réaliser des comptes rendus radiologiques ? Des résultats d’essais contradictoires troublent le ressenti sur les possibilités de GPT-4V, un modèle qui se concentre uniquement sur la précision diagnostique. Une étude publiée dans la R...

21/07/2025 -

IA & Données
Un nouvel outil d'extraction de données spécialisé en radiologie

Un nouvel outil d'extraction de données spécialisé en radiologie

Les méthodes d’élaboration des grands modèles de langage sont basées sur des règles qui ne traitent pas efficacement les données non standardisées. Des chercheurs britanniques présentent, dans un article publié dans la Revue European Radiology, RADEX, le nouvel outil d’extraction de données radiolog...

15/07/2025 -

IA & Données
Des grands modèles de langage sensés participer à l'annotation des images pour le deep learning
Abonné(e)

Des grands modèles de langage sensés participer à l'annotation des images pour le deep learning

Incontournables pour l’entrainement des modèles de deep learning, les annotations d’images radiologiques sont rébarbatives et chronophages pour les experts qui les créent. Des grands modèles de langage (LLM) pourraient remplacer les annotations humaines, comme l’indique un article scientifique publi...

23/06/2025 -

IA & Données
Les bonnes pratiques pour l'évaluation de la pertinence d'un outil d'IA en imagerie
Abonné(e)

Les bonnes pratiques pour l'évaluation de la pertinence d'un outil d'IA en imagerie

Radiologues, informaticiens et chercheurs présentent, dans un article publié dans la Revue Radiology, les pièges et les meilleures pratiques pour atténuer les biais des modèles d'intelligence artificielle (IA) en imagerie médicale. Ils présentent une sorte de feuille de route pour des pratiques plus...

13/06/2025 -

LETTRE D'INFORMATION

Ne manquez aucune actualité en imagerie médicale et radiologie !

Inscrivez-vous à notre lettre d’information hebdomadaire pour recevoir les dernières actualités, agendas de congrès, et restez informé des avancées et innovations dans le domaine.