Publicité

L'intelligence artificielle pour aider au diagnostic de la tuberculose dans les pays en développement

24/04/2017
De Bruno Benque avec RSNA

Les 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".

SUR LE MÊME THÈME

IA & Données
Abonné(e)

Des LLM affinés pour aider à la relecture des comptes rendus

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 -

IA & Données
Abonné(e)

Agir sur la vulnérabilité des grands modèles de langage en radiologie

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 -

IA & Données
Abonné(e)

Une feuille de route pour atténuer les biais de l'IA

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 -

IA & Données
Abonné(e)

Essais sur une RAG pour améliorer les grands modèles de langages en radiologie

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 -

IA & Données

Le lexique radiologique standardisé RadLex fête ses vingt ans

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 -

IA & Données
Abonné(e)

La TDM ultra low dose, prochaine norme pour le suivi des jeunes immunodéprimés ?

La tomodensitométrie à ultra-faible dose débruitée par l’IA permet, en appliquant seulement 2% de la dose normale, de diagnostiquer efficacement la pneumonie chez les patients immunodéprimés.  C’est le résultat d’une étude publiée dans la Revue Radiology et qui pourrait ouvrir la voie vers de nouvel...

14/03/2025 -

IA & Données

Recommandations européennes pour l'intégration de l'IA dans la radiologie

L’European Society of Radiology (ESR), sous la direction de son groupe de travail sur l'IA, vient de publier un document de recommandations pour une implémentation généralisée de l’European AI Act.

11/03/2025 -

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.