Vous êtes dans : Accueil > Actualités > Intelligence Artificielle, Machine Learning > Assembler plusieurs modèles de machine learning pour affiner les résultats

Assembler plusieurs modèles de machine learning pour affiner les résultats

MERCREDI 27 NOVEMBRE 2019 Soyez le premier à réagirSoyez le premier à réagir

La combinaison de plusieurs modèles de machine learning peut s’apparenter à une interprétation avec plusieurs avis de radiologues. Une étude publiée dans la Revue Radiology : Intelligence Artificielle décrit des résultats en ce sens. Un chalenge sur les hémorragies cérébrales explorées par scanner sera organisé au RSNA 2019.

RSNA

L'apprentissage ensembliste est une méthode de machine learning dans laquelle différents modèles conçus pour accomplir la même tâche sont combinés en un seul modèle. 

Faire coopérer des modèles de machine learning différents

L'hétérogénéité de ces modèles est souvent importante et les ensembles ont tendance à donner de meilleurs résultats lorsque la corrélation entre les prédictions de chacun des modèles individuels est relativement faible. Ainsi, plus les différences sous-jacentes d'approche sont importantes, plus l’efficacité de l’ensemble est satisfaite.

Dans ce cadre, un concours dans lequel les candidats sont invités à soumettre leurs meilleurs modèles constitue un moment idéal pour rassembler des modèles performants utilisant différentes techniques. « Les compétitions offrent une occasion unique d’étudier les effets de la combinaison de prédictions issues de modèles hétérogènes », a déclaré Ian Pan, étudiant en médecine à la Warren Alpert Medical School de la Brown University, à Providence, en Irlande du Nord et auteur d’une étude dans la Revue Radiology : Artificial Intelligence.

Un challenge pour l’étude de l’âge osseux utilisant plus de 12 000 radiographies

Pour étudier les améliorations de performance possibles pour l'estimation automatique de l'âge osseux grâce à l’intégration de plusieurs modèles, Pan et ses collègues ont utilisé 48 modèles provenant du 2017 RSNA Pediatric Bone Age Machine Learning Challenge. Les participants ont reçu 12 611 radiographies pédiatriques des mains avec un âge osseux déterminé par un radiologue pédiatrique afin de développer des modèles pour la détermination de l'âge osseux.

Les résultats finaux ont été déterminés en utilisant un ensemble de 200 radiographies étiquetées avec la moyenne pondérée de 6 évaluations. Les chercheurs ont évalué la corrélation et la performance moyennes des modèles par paires de toutes les combinaisons de modèles possibles en utilisant l'écart absolu moyen (MAD). 

Des combinaisons que l’on peut assimiler à des interprétations utilisant plusieurs avis

Le MAD estimé d'un modèle unique était de 4,55 mois. Le meilleur ensemble était composé de quatre modèles avec un MAD de 3,79 mois. La corrélation moyenne par paire des modèles au sein de cet ensemble était de 0,47. En comparaison, le MAD le plus bas possible en combinant les modèles les mieux classés basés sur des scores individuels était de 3,93 mois avec huit modèles présentant une corrélation moyenne de 0,67 par modèle.

« Nos résultats attirent l'attention sur un concept qui a des implications pratiques substantielles, alors que les algorithmes de machine learning commencent à passer de la recherche à l'environnement clinique, poursuit Ian Pan. À savoir que les meilleurs résultats sont susceptibles d’être obtenus en combinant plusieurs modèles précis et divers plutôt qu’à partir de modèles uniques. » Ainsi, les praticiens souhaitant incorporer des algorithmes de machine learning à leur flux de travail gagneraient à utiliser différents modèles, ce que l’on peut assimiler à une interprétation radiologique utilisant plusieurs avis.

Un nouveau challenge sur les hémorragies cérébrales au RSNA 2019

Ian Pan a ajouté que les résultats soulignent également l'importance de compétitions ouvertes, telles que le 2017 RSNA Pediatric Bone Age Machine Learning Challenge, car elles expérimentent des cas d'utilisation normalisé et une méthode d'évaluation objective appliquée de la même manière à tous les modèles. « Les concours de machine learning en radiologie devraient promouvoir le développement de modèles hétérogènes dont les prévisions peuvent être combinées pour obtenir des performances optimales », conclut-il.

Pour le 2019 RSNA Intracranial Hemorrhage Detection and Classification Challenge, les chercheurs ont travaillé au développement d'algorithmes permettant d'identifier et de classifier les sous-types d'hémorragies sur scanners cérébraux. L'ensemble de données, qui comprend plus de 25 000 examens fournis par plusieurs instituts de recherche, est le premier ensemble de données multiplanaires utilisé dans le cadre d'un challenge d'intelligence artificielle au RSNA.

Bruno Benque avec RSNA


toshiba

Données de Santé : une nouvelle approche pour assurer la confidentialité
25/03/2020 : La sécurité des données de Santé et la protection de la vie privée des patients est une préoccupation majeure pour les tutelles sanitaires. Un Rapport publié dans la Revue Radiology suggère de considérer les données comme n’appartenant à personne et de cibler l’éthique des prestataires d’IA.  

Des modèles pertinents de deep learning pour la radiographie thoracique
03/12/2019 : Selon une étude publiée dans la revue Radiology, le deep learning peut détecter des résultats de radiographie thoracique cliniquement significatifs aussi efficacement que des radiologues expérimentés. Les chercheurs rapportent que leurs résultats pourraient constituer une ressource précieuse pour le développement futur de modèles d’intelligence artificielle pour la radiographie thoracique.

Assembler plusieurs modèles de machine learning pour affiner les résultats
27/11/2019 : La combinaison de plusieurs modèles de machine learning peut s’apparenter à une interprétation avec plusieurs avis de radiologues. Une étude publiée dans la Revue Radiology : Intelligence Artificielle décrit des résultats en ce sens. Un chalenge sur les hémorragies cérébrales explorées par scanner sera organisé au RSNA 2019.

Un réseau de neurones profonds pour améliorer le diagnostic de cancer du poumon
13/11/2019 : Selon des recherches publiées dans la revue Radiology, les radiologues assistés par un logiciel basé sur le deep learning étaient plus en mesure de détecter les cancers du poumon malins sur radiographies du thorax.

L'intelligence artificielle au révélateur de l'imagerie oncologique
12/11/2019 : Dans notre série d’articles dédiés au prochain symposium Scanner volumique, nous allons à la rencontre des orateurs qui animeront cet événement. Aujourd’hui, le Pr Pierre-Jean Valette évoque pour nous l’intelligence artificielle appliquée à l’imagerie oncologique, un thème qu’il abordera lors du symposium.

La recherche sur l'IA en imagerie avance avec le Data Challenge
25/10/2019 : 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.

Une plateforme dédiée pour choisir un moteur d'IA pertinent
03/10/2019 : Acteur historique de l'informatique de Santé, Softway Medical propose une offre d'intelligence artificielle tout à fait originale. À partir d'un catalogue de moteurs d'IA, le radiologue pourra choisir celui qui répondra précisément à ses besoins. Rendez-vous aux JFR 2019 pour découvrir cette nouvelle offre.

L'hémorragie cérébrale, thème du RSNA IA challenge 2019
17/09/2019 : La Radiological Society of North America (RSNA) vient de lancer son troisième défi annuel sur l'intelligence artificielle (IA): le défi RSNA de détection et de classification des hémorragies intracrâniennes.

La Data science en Santé se développe à l'Université
13/08/2019 : L'Intelligence artificielle en Santé fera l'objet de plusieurs cursus de formation dans les Universités françaises à la rentrée. C'est notamment le cas à l'Université Paris Descartes.

RSNA 2019 : 3 700 m2 dédiés à l'intelligence artificielle
09/08/2019 : Le RSNA 2019 AI Showcase proposera un plus grand espace dédié à l'intelligence artificielle. Des démonstrations et des salles de classe permettront aux fournisseurs de solutions et aux spécialistes de promouvoir les outils d'aide à la décision clinique ainsi que les bonnes pratiques de gestion des données.


Les sociétés savantes américaines collaborent autour d'un CR structuré de scanner lié au COVID-19
27/03/2020 : Dans un souci d’efficience dans l’annonce de la pathologie de COVID-19 et de réduction de l’anxiété des correspondants et des patients, les principales sociétés savantes américaines ont élaboré un document de consensus. Un modèle de compte rendu structuré a fait l’objet d’un consensus.

Données de Santé : une nouvelle approche pour assurer la confidentialité
25/03/2020 : La sécurité des données de Santé et la protection de la vie privée des patients est une préoccupation majeure pour les tutelles sanitaires. Un Rapport publié dans la Revue Radiology suggère de considérer les données comme n’appartenant à personne et de cibler l’éthique des prestataires d’IA.  

COVID-19 : les radiologues Vidi solidaires et mobilisés dans la guerre sanitaire
25/03/2020 : Alors que certains cabinets de radiologie ont dû fermer par manque de moyens de protection contre le COVID, les radiologues du Groupe Vidi se mettent à la disposition de leurs confrères. Ils se montrent solidaires et mobiliser pour aider à gagner la guerre sanitaire.

Les recommandations de la SFMN pour l'organisation de la médecine nucléaire en environnement COVID-19
24/03/2020 : Afin d’assurer une bonne prise en charge des patients en médecine nucléaire pendant l’épidémie de COVID-19, la SFMN a publié des recommandations spécifiques pour une bonne organisation des services traitant de cette spécialité.

Une nouvelle application de compte rendu structuré mis à disposition des radiologues
24/03/2020 : Comme certains de ses concurrents, la plateforme Keydiag met à disposition des radiologues gratuitement son application de comptes rendus structurés en tomodensitométrie pulmonaire. Un joli geste de solidarité dans le contexte épidémique actuel.

Scanner du COVID-19 : comprendre l'évolution des lésions à un mois
23/03/2020 : Une nouvelle étude publiée dans la Revue Radiology pourrait permettre de comprendre l’évolution des images COVID-19 au scanner. Un suivi des patients à un mois a en effet été réalisée dans ce travail.

Lancement du Réseau de veille sanitaire COVID-19 Imagerie SFR
23/03/2020 : La Société Française de Radiologie et le G4 lancent le Réseau COVID-19 Imagerie SFR, une plateforme de veille sanitaire nationale sur le COVID-19. Basée sur quatre indicateurs spécifiques, elle se veut complémentaire de la base de données scanographiques déjà ouverte dans ce cadre.

L'embolie pulmonaire aigüe comme complication du COVID-19
19/03/2020 : L’embolie pulmonaire aigüe est une cause de détérioration clinique des pneumonies virales. Un article paru dans la Revue Radiology : Cardiothoracic imaging rapporte deux cas d’embolie pulmonaire consécutive au COVID-19.

Recommandations contre le COVID-19 pour les centres de radiothérapie
18/03/2020 : Les personnels médicaux et paramédicaux des centres de radiothérapie sont appelés à suivre les recommandations que vient de publier la SFRO dans le cadre de la lutte contre l’épidémie de COVID-19. Ce texte est appelé à évoluer dans le temps.

Un compte rendu structuré gratuit pour le diagnostic de COVID-19
18/03/2020 : Afin de participer à l’effort mondial contre l’épidémie de COVID-19, la start-up Smart Reporting donne accès gratuitement aux comptes rendus structurés pour le diagnostic de cette pathologie.


Les recommandations de la Société Française de Radiologie dans un contexte de COVID-19
13/03/2020 : La Société d’Imagerie Thoracique a publié un Point sur l’imagerie dans un contexte de COVID-19. Les types d’examens à réaliser, la conduite à tenir pour les professionnels et les images significatives sont ainsi détaillés.

Le scanner nouvel étalon pour le dépistage précoce du Coronavirus
27/02/2020 : Dans une étude de plus de 1000 patients, publiée dans la revue Radiology, la tomodensitométrie thoracique a surpassé les tests de laboratoire dans le diagnostic de coronavirus 2019 (COVID-19). Les chercheurs ont conclu que la tomodensitométrie devrait être utilisée comme principal outil de dépistage du COVID-19.

Les images pulmonaires caractéristiques du coronavirus au scanner
05/02/2020 : Dans un rapport spécial publié le 4 février 2020 dans la revue Radiology, des chercheurs décrivent les caractéristiques scanographiques qui facilitent la détection et le diagnostic précoces du coronavirus de Wuhan.

Scanner du COVID-19 : comprendre l'évolution des lésions à un mois
23/03/2020 : Une nouvelle étude publiée dans la Revue Radiology pourrait permettre de comprendre l’évolution des images COVID-19 au scanner. Un suivi des patients à un mois a en effet été réalisée dans ce travail.

Scanner thoracique du COVID-19 : différentier les images des autres pathologies virales
16/03/2020 : Dans une nouvelle étude publiée dans la revue Radiology, des chercheurs chinois et américains ont distingué des différences entre les images du COVID-19 et les autres pneumonies virales au scanner.

L'embolie pulmonaire aigüe comme complication du COVID-19
19/03/2020 : L’embolie pulmonaire aigüe est une cause de détérioration clinique des pneumonies virales. Un article paru dans la Revue Radiology : Cardiothoracic imaging rapporte deux cas d’embolie pulmonaire consécutive au COVID-19.

Coronavirus au scanner : des images différentes selon le stade d'évolution
21/02/2020 : Dans une nouvelle recherche publiée le 20 février 2020 dans la revue Radiology, des chercheurs du Mount Sinai Health System de New York ont démontré que les images scanographiques dans les cas de coronavirus 19 (COVID-19) sont liées à l'évolution de l'infection.

Nouveau cas de pneumonie par COVID-19 décrit au scanner
10/03/2020 : Un nouveau cas clinique lié au COVID-19 a été décrit dans la Revue Radiology. Le scanner montre les images caractéristiques de la pneumonie provoquée par le virus et montre une légère résorption au 9ème jour d‘hospitalisation après traitement.

L'ACR remet en cause la spécificité du scanner pour diagnostiquer le COVID-19
16/03/2020 : Alors que des études récentes présentaient le scanner comme l’examen de base pour le dépistage du COVID-19, l’American College of Radiology vient de publier des recommandations qui modèrent ces premiers résultats. La spécificité de cet examen semble en effet inférieure aux test viraux de biologie.

COVID-19 : le scanner 3D d'une patiente infectée
06/03/2020 : Les images reconstruites du scanner effectué sur une patiente infectée par le COVID-19 montrent bien une prédominance d’images en verre dépoli dans les zones péri-hilaire et sous-pleurale.