Le Pr Nathalie Lassau, Professeur de Radiologie à l'Université Paris Sud et Co-Directrice du laboratoire d Imagerie IR4M (UPSUD/ CNRS) à l'Institut Gustave Roussy, est la responsable du Data Challenge dont la première édition a été organisée aux JFR 2018. Nous l'avons rencontrée pour une évocation des améliorations apportées, en 2019, à cette compétition.
Thema Radiologie: Le Data Challenge est une compétition entre différentes équipes, faisant intervenir des universitaires, des praticiens hospitaliers, des étudiants ingénieurs des grandes écoles, des laboratoires de recherche académiques, des industriels et des start-up, constituées pour entrainer des algorithmes de machine learning et deep learning pour identifier des pathologies particulières. Pouvez-vous nous rappeler les spécificités de l'édition 2018 qui avait été lancée aux JFR ?
Pr Nathalie Lassau: Le Data Challenge 2018 présentait des pathologies du foie, du rein, du sein, du ménisque, ainsi qu'une question très difficile sur l'invasion du cartilage thyroïde dans le cancer ORL. Les gagnants ont d'ailleurs continué leur travail par la suite, notamment dans le cadre d'un Data Challenge dédié à l'Île-de-France (IdF), lancé en avril 2019 avec le concours de l'Institut Gustave Roussy et Medicen Paris Region. C'est le cas d'Owkin, qui avait remporté sur un data challenge aux JFR en échographie du foie et qui a gagné à nouveau le Data Challenge IdF en juillet 2019, qui demandait de prédire le pronostic des patients métastatiques à partir d'échographies et de scanners avant de débuter un traitement.
T.R.: Sur quelles bases ces consortiums travaillent-ils lors du Data Challenge ?
Pr N.L.: Dans le cas du Data Challenge IdF par exemple, ils ont travaillé sur une base de 2 000 patients standardisée en échographie de contraste avec scanner correspondant, que j'ai créée depuis 2005. Owkin travaille désormais, dans le prolongement de cette compétition, avec les équipes de l'Institut Gustave Roussy et a commencé dernièrement à faire tourner des algorithmes sur ce champ.
T.R.: Comment avez-vous fait évoluer le Data Challenge qui a été mis en place lors des JFR 2019 ?
Pr N.L.: Nous avons amélioré la formule suite aux demandes des start-up de pouvoir disposer de databases plus importantes et de jeux de données plus complexes avec des acquisitions en 3D. Nous avons donc lancé des questions cliniques pour 1 500 examens concernant la détection du nodule pulmonaire sur un scanner 3D thoracique, le pronostic de handicap lié à la sclérose en plaques sur des images IRM 3D FLAIR et la segmentation de la sarcopénie sur une coupe scanner 2D au niveau de la vertèbre L3. Je voudrais remercier les 25 services d'imagerie qui ont joué le jeu en alimentant les databases en 4 mois de façon très dynamique. Ceux qui ont inclus le plus de cas ont d'ailleurs remporté un Prix de la SFR cette année. Au total, 20 équipes ont concouru, comprenant au moins un radiologue, un étudiant ingénieur, et bien sûr des industriels, des laboratoires de recherche académiques et des start-up qui ont, pour certaines, conclu des alliances pour collaborer sur un même projet.
T.R.: Comment s'est déroulée la compétition en pratique ?
Pr N.L.: À partir du 15 mai 2019, les examens ont commencé à être inclus. Au 15 septembre, les équipes ont été constituées et ont commencé à travailler sur le premier dataset de 500 examens, soit le premier tiers. À l'ouverture des JFR, le 11 octobre, ils ont reçu, sur le forum IA, le code donnant accès au deuxième dataset. Enfin, le dimanche 13 octobre, ils ont reçu le troisième code pour le troisième tiers du dataset avec des images non annotées à travailler durant deux heures de compétition. La remise des prix a eu lieu le lundi 14 octobre. C'est Owkin qui a remporté le Data Challenge sur la sarcopénie au scanner 2D, Pixyl celui concernant le handicap dans la sclérose en plaques et IBM France s'est adjugé le Prix pour le nodule pulmonaire au scanner 3D. Je dois dire qu'ils ont été soumis à un énorme travail pour cette compétition. Ils sont tous très méritants et font avancer la recherche de façon significative en participant à ce Challenge. J'ajoute que les lauréats pourront publier un article dans le Journal "Diagnostic and Interventional Imaging".
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 -
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 -
Selon une nouvelle étude publiée dans la Revue Radiology, un grand modèle de langage (LLM) améliorerait sensiblement la détection des erreurs dans les comptes rendus de radiologie. Les chercheurs ont utilisé des comptes rendus synthétiques et des données ciblées pour donner au LLM de la légèreté.
23/05/2025 -
Dans un nouvel article spécial publié dans la Revue Radiology, des chercheurs abordent les défis de cybersécurité liés aux grands modèles de langage (LLM). Ils soulignent l'importance de mettre en œuvre des mesures de sécurité pour empêcher leur utilisation malveillante dans le système de Santé et m...
21/05/2025 -
Les biais diagnostiques créés par l’IA relèvent d’un manque d’informations démographiques incluent dans les données de santé. Dans un article publié dans la Revue Radiology, des chercheurs américains décrivent l’importance d’une définition homogène décrivant les groupes démographiques. Un travail qu...
20/05/2025 -
Pour renforcer les attributs des grands modèles de langage appliqués à la radiologie, la RAG, qui code les informations dans un espace vectoriel pour affiner les tâches des LLM basées sur la connaissance, semble pertinente. Dans une étude publiée dans la Revue Radiology : Artificial intelligence, de...
05/05/2025 -
RadLex, un lexique radiologique complet développé par la Radiological Society of North America (RSNA) destiné à proposer un langage commun pour communiquer les résultats diagnostiques par les radiologues, célèbre son 20e anniversaire en 2025.
22/04/2025 -
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.