Publication de la première base de données MIDRC-RECORD COVID-19
La recherche en imagerie du COVID-19 dispose désormais, avec la base de données images scanographiques RECORD hébergée par la National Cancer Institute américain, d’un outil ouvert pour faire évoluer les savoirs dans ce domaine et élaborer des algorithmes de deep learning dédiés. La base devrait bientôt s’enrichir d’images scanner COVID-négatives et d’images radiologiques thoraciques COVID+.
La Radiological Society of North America (RSNA) et le RSNA COVID-19 AI Task Force ont annoncé, le 18 décembre 2020, la publication du premier ensemble de données annotées de la base ouverte de radiologie RSNA International COVID-19 (RICORD) par The Cancer Imaging Archive (TCIA).
Une base de données images COVID+ mise à disposition des chercheurs en imagerie
La RSNA a lancé RICORD à la mi-2020 dans le but de créer la plus grande base de données ouverte d'images médicales COVID-19 anonymisées au monde. Celle-ci est mise gratuitement à la disposition des communautés mondiales de recherche et de formation pour obtenir de nouvelles connaissances, appliquer des modèles de deep learning, et accélérer la reconnaissance clinique de cette nouvelle maladie. Créé grâce à une collaboration entre la RSNA et la Society of Thoracic Radiology, le groupe initial se compose de 120 images scanner COVID+ provenant de quatre sites internationaux.
« La RSNA a pu s'appuyer sur les relations établies à partir de défis de deep learning antérieurs pour constituer rapidement un groupe de travail sur l'IA COVID-19, précise le Dr Carol Wu, radiologue au MD Anderson Cancer Center et membre du groupe de travail RSNA. Les sites contributeurs, déjà compétents dans le partage de données avec la RSNA, ont été en mesure de traiter rapidement les accords juridiques nécessaires, d'identifier les cas appropriés, de procéder à l’anonymisation des images et de transférer celles-ci à une vitesse record. »
Un travail approuvé et soutenu par la STR, l’ACR et la RSNA
Les données images ont ensuite été annotées avec des tags de segmentation et de classification détaillées, selon les lignes directrices décrites dans l’Expert Consensus Document on Reporting Chest CT Findings Related to COVID-19 approuvé par la Society of Thoracic Radiology, l'American College of Radiology et la RSNA publié dans Radiology. Deux équipes de radiologues dirigées par le Dr Scott Simpson, de l'Université de Pennsylvanie, et le Dr Emily Tsai, de l'Université de Stanford, ont terminé le travail d'annotation plus finement. Cet ensemble de données représente le premier recueil publié de RICORD et la première contribution de la RSNA au Medical Imaging and Data Resource Center (MIDRC), hébergé par l'Université de Chicago.
« La RSNA est extrêmement fière de faire partie des efforts du MIDRC, déclare le Pr Curtis Langlotz, agent de liaison du conseil d'administration de la RSNA pour la technologie de l'information et le congrès annuel. Il constituera un référentiel précieux de données pour la recherche afin de faire face à la pandémie actuelle et servira de modèle pour la collecte et l'agrégation des données pour soutenir la recherche en imagerie. »
Le National Cancer Institute met à disposition sa plateforme d’hébergement
Le Cancer Imaging Archive (TCIA) est un service fourni par le National Cancer Institute (NCI) à la communauté de chercheurs en imagerie du cancer qui anonymise et héberge une grande archive d'images médicales du cancer accessibles pour téléchargement public. Reconnaissant le besoin urgent d'accéder aux ensembles de données d'imagerie liés au COVID-19 pour la recherche, le NCI consacre une partie des ressources du TCIA pour gérer et héberger un accès libre et ouvert aux données d'imagerie des patients atteints de COVID-19. La RSNA s'est associée au TCIA pour tirer parti de l'infrastructure et des processus mis en place pour rendre ces données accessibles au public.
Le groupe de travail RSNA COVID-19 AI continuera à mettre à jour et à élargir le volume et la variété des données disponibles dans RICORD. Une collection de cas témoins négatifs pour la tomodensitométrie thoracique COVID-19 est en cours de publication, ainsi qu'un ensemble étiqueté de 1000 radiographies pulmonaires positives au COVID-19. Un ensemble encore plus grand d'images tomodensitométriques et radiographiques a été soumis à RICORD et est actuellement en cours de traitement.
Les sites intéressés à en savoir plus ou à fournir des données sont invités à visiter la page des ressources RICORD.
SUR LE MÊME THÈME
Les bonnes pratiques pour l'évaluation de la pertinence d'un outil d'IA en imagerie
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 -
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 -
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 -
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 -
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 -
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 -
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 -
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.