Un modèle d'IA qui combine images et données cliniques
Un nouveau modèle d'intelligence artificielle (IA) combine les informations d'imagerie avec les données cliniques des patients pour améliorer les performances diagnostiques sur les radiographies pulmonaires. Une équipe allemande présente un modèle de ce type dans une étude publiée dans la Revue Radiology.
Les cliniciens prennent en compte, pour évaluer l’état de leurs patients, à la fois les données d’imagerie et les données cliniques issues d’autres modes d’exploiration ou d’observation. Cependant, les approches actuelles basées sur l’IA sont conçues pour résoudre des tâches avec un seul type de datas à la fois.
Les réseaux de neurones transformers plus efficaces que les réseaux convolutifs
Les réseaux neuronaux transformers ont la capacité de combiner des données d'imagerie et d’autres datas pour un diagnostic plus précis. Ces modèles de transformers ont été initialement développés pour le traitement informatique du langage humain. Depuis, ils ont alimenté de grands modèles linguistiques comme ChatGPT et le service de chat AI de Google, Bard. Une équipe allemande de chercheurs a développé un modèle de ce type, présenté dans un article publié dans la Revue Radiology, afin de l’adapter à un usage médical.
Pouvoir combiner des données d’imagerie et des datas cliniques
« Contrairement aux réseaux neuronaux convolutifs, qui sont adaptés pour traiter les données d'imagerie, les modèles de transformers forment un type plus global de réseau neuronal, précise l'auteur principal de l'étude, le Pr Firas Khader, du département de radiologie diagnostique et interventionnelle de l'hôpital universitaire d'Aix-la-Chapelle, (Allemagne). Ils s'appuient sur un mécanisme dit d'attention, qui permet au réseau neuronal de connaître les relations entre ses entrées. »
Cette fonctionnalité est idéale pour la médecine, où plusieurs variables telles que les données des patients et les résultats d’imagerie sont souvent intégrées au diagnostic. Le Pr Khader et ses collègues ont élaboré leur outil sur des données de patients d'imagerie et autres datas provenant de deux bases de données contenant des informations sur un total combiné de plus de 82 000 patients.
Un outil qui pourrait faire gagner du temps aux cliniciens dabs leur pratique
Ils ont formé le modèle pour diagnostiquer jusqu'à 25 situations différentes à l'aide de données autres que l’imagerie, de données d'imagerie ou d'une combinaison des deux, appelées données multimodales. Comparé aux autres modèles, le modèle multimodal a montré des performances diagnostiques améliorées pour toutes les situations.
« Avec l'augmentation constante des volumes de données sur les patients au fil des années, ainsi que le temps limité que les médecins peuvent consacrer à chaque patient, il pourrait devenir de plus en plus difficile pour les cliniciens d'interpréter efficacement toutes les informations disponibles, ajoute le Pr Khader. Les modèles multimodaux promettent d’aider les cliniciens dans leur diagnostic en facilitant l’agrégation des datas disponibles pour un diagnostic précis. »
« Le modèle proposé par l’équipe allemande pourrait servir de modèle pour intégrer de manière transparente de gros volumes de données », a-t-il conclu.
SUR LE MÊME THÈME
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 -
Recommandations européennes pour l'intégration de l'IA dans la radiologie
L’European Society of Radiology (ESR), sous la direction de son groupe de travail sur l'IA, vient de publier un document de recommandations pour une implémentation généralisée de l’European AI Act.
11/03/2025 -
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.