Identification binaire d'images d'IRM cérébrales normales ou anormales par l'IA

L'IRM est la modalité de première intention pour diagnostiquer diverses maladies et dommages cérébraux. Son utilisation croissante augmente de façon conséquente le volume d’images produites, ce qui nécessite d'améliorer le flux de travail radiologique. L'identification automatique par l’IA des résultats anormaux dans les images médicales offre une solution potentielle, permettant d'améliorer les soins aux patients et d'accélérer la convalescence du patient.

Un algorithme binaire de classification des images cérébrales à l’IRM

Le Dr Romane Gauriau, ancienne spécialiste du deep learning au Massachusetts General Hospital et au Brigham and Women's Hospital Center for Clinical Data Science à Boston et auteur principal d’une étude publiée dans la Revue Radiology : Artificial Intelligence, et ses collègues, et en partenariat avec Diagnosticos da America SA (DASA), une société de diagnostic médical brésilienne, a développé un système automatisé de classification des IRM cérébrales comme « probablement normales » ou « probablement anormales ». Son approche repose sur un réseau de neurones convolutifs (CNN), un type sophistiqué d'IA qui permet au modèle d'apprendre directement à partir des images.

Les chercheurs ont formé et validé l'algorithme sur trois grands ensembles de données totalisant plus de 9 000 examens collectés auprès de différentes institutions sur deux continents différents. Lors des tests préliminaires, le modèle a montré des performances relativement bonnes pour différencier les examens probablement normaux ou probablement anormaux. Les tests de validation sur un ensemble de données acquises à une période différente et auprès d'une institution différente que pour l’entraînement de l’algorithme ont mis en évidence la capacité de généralisation du modèle. Un tel système pourrait être utilisé comme un outil de triage, selon le Dr Gauriau, avec le potentiel d'améliorer le flux de travail du centre de radiologie.

Évaluer l’utilité clinique du modèle et sa plus-value pour les radiologues

« Le problème que nous essayons de résoudre est très, très complexe car il existe une grande variété d'anomalies à l'IRM, précise-t-elle. Nous avons montré que ce modèle est suffisamment prometteur pour commencer à évaluer s'il peut être utilisé dans un environnement clinique. » Il a été démontré en effet que des modèles similaires améliorent considérablement le temps de traitement pour l'identification des anomalies dans les tomodensitométries crâniennes et les radiographies thoraciques. Ce nouveau modèle a le potentiel pour tirer avantage des examens ambulatoires en identifiant les découvertes fortuites. « Cet algorithme pourrait détecter si vous avez une lésion cérébrale à la suite d’une chute, mais il peut également identifier une pathologie inattendue telle qu'une tumeur cérébrale. Avoir cette capacité pourrait vraiment aider à améliorer les soins aux patients. »

Ce travail a été le premier du genre à exploiter un vaste ensemble de données cliniquement pertinent et à utiliser des données d'IRM à volume complet pour détecter une anomalie cérébrale globale. Les prochaines étapes de la recherche comprennent l’évaluation de l’utilité clinique et de la plus-value du modèle pour les radiologues. Les chercheurs aimeraient également le développer au-delà des sorties binaires « probablement normal » ou « probablement anormal ». « Nous pourrions ainsi, non seulement avoir des résultats binaires, mais également des indices pour mieux caractériser les types de pathologies, par exemple, si l'anomalie est plus susceptible d'être liée à une tumeur ou à une inflammation, conclut le Dr Gauriau. Cela pourrait également être très utile à des fins éducatives. »

Une évaluation plus approfondie est actuellement en cours dans un environnement clinique contrôlé au Brésil avec les collaborateurs de recherche de DASA.