Une base de données commune ACR / DSI pour accélérer la recherche sur l'AI en imagerie médicale
L'American College of Radiology® oriente les chercheurs en intelligence artificielle vers la ressource de données TCIA pour les aider à relever les défis de la formation de modèles d'IA pour des cas cliniques spécifiques. Il a mis en commun ses bases de données avec le Data Science Institute® pour accélérer le processus.
L'American College of Radiology® (ACR®), le Data Science Institute® (DSI) et le Cancer Imaging Archive (TCIA) se sont associés pour mettre en commun des cas cliniques et des datas de Santé, au sein de la plateforme ACR DSI Define-AI, afin d'accélérer les usages de l’IA en imagerie médicale.
Des données disponibles sous license Creative Commons
La collecte de jeux de données est l'étape la plus importante dans le développement d'algorithmes d’IA robustes. Lier des cas cliniques ACR DSI Define-AI à des ensembles de données permet aux développeurs de créer des algorithmes d'IA de radiologie qui combinent des données de Santé définies et des images DICOM utiles pour les entrées, les sorties et les modèles de formation et de test.
Les données TCIA ont été comparées aux cas cliniques de cancer et de non-cancer d’ACR DSI en fonction d'attributs tels que la surface corporelle, la modalité ou la présence de comorbidités secondaires. Les données TCIA sont disponibles sous les licences d'attribution Creative Commons, et la plupart sont disponibles gratuitement pour une utilisation commerciale à des fins d'apprentissage automatique.
Des cas cliniques spécifiques selon les besoins des développeurs
"Trouver une bonne source de données et des données adéquates pour la validation des modèles est un défi permanent pour ceux qui développent de l'IA. Nous leur avons maintenant facilité l'obtention de bonnes données pour l'imagerie médicale et nous les partageons avec les directives fournies par nos cas d’usage afin de nous assurer que les algorithmes développés ont une valeur pour nous en tant que radiologues", précise le Dr Bibb Allen Jr., ACR DSI Directeur médical et radiologue au Grandview Medical Center de Birmingham (Alabama, USA).
Les cas d'usage d'ACR DSI Define-AI ont été liés aux ensembles de données TCIA en fonction des demandes de la communauté des développeurs afin d’améliorer l'accès aux données pour le développement d'algorithmes. La connexion de cas cliniques de Define-AI avec des ensembles de données TCIA peut faire progresser la recherche et le développement en fournissant aux développeurs d'IA un autre ensemble de ressources pour créer des outils d'IA au profit de la radiologie.
Contact ACR DSI
Contact TCIA
SUR LE MÊME THÈME
Les comptes rendus radiologiques ne sont pas près de passer par GPT-4
Les grands modèles de langage multimodaux seraient-ils capables de réaliser des comptes rendus radiologiques ? Des résultats d’essais contradictoires troublent le ressenti sur les possibilités de GPT-4V, un modèle qui se concentre uniquement sur la précision diagnostique. Une étude publiée dans la R...
21/07/2025 -
Un nouvel outil d'extraction de données spécialisé en radiologie
Les méthodes d’élaboration des grands modèles de langage sont basées sur des règles qui ne traitent pas efficacement les données non standardisées. Des chercheurs britanniques présentent, dans un article publié dans la Revue European Radiology, RADEX, le nouvel outil d’extraction de données radiolog...
15/07/2025 -
Des grands modèles de langage sensés participer à l'annotation des images pour le deep learning
Incontournables pour l’entrainement des modèles de deep learning, les annotations d’images radiologiques sont rébarbatives et chronophages pour les experts qui les créent. Des grands modèles de langage (LLM) pourraient remplacer les annotations humaines, comme l’indique un article scientifique publi...
23/06/2025 -
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 -
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.