Diagnostic automatique des radiographies pulmonaires: dans les années 60, déjà...

Dans son éditorial du Journal Radiology, le Dr Bram Van Ginneken, du Department of Raiology and Nuclear Medicine, Radboud University Medical Center de Nimegue (Pays-Bas), traite de la manipulation des images radiologiques thoraciques dans le cadre d'une médecine prédictive.

Un système de codage des radiographies pulmonaires déjà dans les années 60

Cette pratique n'est pas récente puisqu'il fait référence à un article de Lodwick et al. paru en août 1963 dans la même revue et dans lequel il faisait figure de visionnaire. Les auteurs avaient analysé des images de 514 radiographies du thorax chez les patients atteints d'un cancer du poumon et y avaient affecté une sorte de codage dont les fonctionnalités étaient spécialement conçues pour analyser le cancer du poumon sur les radiographies interprétées par un radiologue. Cette étude avait montré qu'un système informatique pourrait prédire la survie à un an en calculant ces caractéristiques de codage lui-même. Le Dr Lodwick avait alors annoncé qu'il s'agissait d'un "concept de conversion des images radiologiques en numérique, les séquences de données pouvant être manipulées et évaluées par l'ordinateur".

Le Deep Learning pour concrétiser la prédiction du Dr Lodwick

Le Dr Van Ginneken revient ensuite sur la période actuelle où la radiographie thoracique est toujours l'examen le plus couramment effectué et qui est lu exclusivement par le radiologue ou, plus largement par un praticien, mais pas par les machines. Sauf que depuis l'avènement du Deep Learning et des réseaux de neurones à plusieurs couches, les pratiques sont en passe de changer. Le nombre de publications sur ce sujet augmente rapidement, dit-il, et de nouvelles revues sont en cours de création, dont Radiology: Artificial Intelligence, une sous-spécialité du Journal du RSNA. L'intérêt des start-up et des industriels du secteur pour cette thématique montre ainsi que nous sommes proches de réaliser ce que Lodwick et al avaient envisagé en 1963.

Des prérequis technologiques indispensables

Mais le Deep Learning est fondamentalement différent des approches plus traditionnelles de machine learning, de radiomique ou de CAD car il agit directement sur les données d'entrée et ne comptent pas sur un ensemble de processus préfabriqués comme le système de codage décrit par Lodwick et al. Ce processus ajuste en permanence les données de toutes les couches en veillant à ce que le les images d'entrée soient mappées vers la bonne sortie. Pour être efficace, il nécessite un grand corpus d'images, le choix d'une architecture réseau et de ses hyperparamètres, ainsi qu'un ordinateur avec unité de traitement graphique. C'est ce type de système qu'a utilisé le Dr Jared A. Dumond, du Departments of Computer Science, Biomedical Data Science and Radiology de la Stanford University (USA) dans une étude sur des radiographies pulmonaires en vue de leur classification automatique tant que normales ou anormales, permettant potentiellement un tri des images en pratique clinique.

Une étude pour évaluer un processus de prédiction pathologiques à partir des radiographies du poumon

Il s'agissait d'évaluer l'aptitude des réseaux de neurones à convolution (CNN) à permettre la classification haute performance binaire automatisée des radiographies thoraciques. Dans cette étude rétrospective, 216 431 radiographies thoraciques de face réalisées entre 1998 et 2012 ont été extraites, ainsi que les comptes rendus associés et une donnée prospective sur le radiologue traitant. Cet ensemble de données a été utilisé pour former les CNN de classification des radiographies thoraciques comme normales ou anormales avant leur évaluation sur une série de 533 images conservées et référencées par des radiologues experts. Les caractéristiques techniques de l'outil de Deep Learning ont été évalués et une analyse détaillée des erreur a été réalisée.

Il en résulte que les CNN formés avec une série réduite de radiographies thoraciques étiquetées de manière prospective ont obtenu des performances diagnostiques élevées dans la classification des radiographies thoraciques comme normales ou anormales. Les chercheurs en ont déduit que cette fonction peut être utile pour hiérarchiser automatiquement les radiographies thoraciques anormales.