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

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.