Considérations cliniques, culturelles et réglementaire pour l'implémentation de l'IA en radiologie
MARDI 06 AOûT 2024
Soyez le premier à réagirLes outils d'intelligence artificielle (IA) peuvent jouer un rôle clé dans l'imagerie médicale si les radiologues font confiance à leur conception et les déploient avec une formation adéquate. Dans un rapport publié dans la Revue Radiology : Artificial Intelligence, des experts promeuvent des lignes directrices claires concernant la responsabilité clinique et les évolutions culturelles et réglementaires.
La RSNA et la Medical Image Computing and Computer Assisted Intervention (MICCAI) Society ont organisé une série de masterclasses et de séminaires conjoints axés sur l’impact actuel et les orientations futures de l’IA en radiologie.
Considérations cliniques, culturelles et réglementaires de l’intrusion de l’IA dans la radiologie
Ces échanges ont permis de recueillir les points de vue d’experts multidisciplinaires en radiologie, en imagerie médicale et en machine learning sur l’impact clinique grandissant de la technologie de l’IA en radiologie et sur la façon dont elle est influencée par la confiance, la reproductibilité, l’explicabilité et la responsabilité. Les différents interlocuteurs ont ainsi identifié les changements culturels pour les radiologues et les scientifiques de l’IA travaillant de concert ainsi que les défis à venir pour que les technologies d’IA rencontrent une large approbation.
Un rapport spécial publié dans la Revue Radiology : Artificial intelligence présente les points de vue des experts du MICCAI et du RSNA sur les considérations cliniques, culturelles, informatiques et réglementaires essentielles permettant d’adopter avec succès la technologie de l'IA en radiologie. Cet article souligne également l'importance de la collaboration pour améliorer le déploiement clinique, ainsi que la nécessité d’intégrer les données d’imagerie clinique et médicale. Il présente en outre des stratégies pour garantir une intégration fluide et incitative.
Définir des référentiels pour les échanges de données et le déploiement de l’IA dans la pratique radiologique
« Ce rapport explore les points de vue d'experts de premier plan pour comprendre la meilleure façon de déployer des outils d'IA dans la pratique de la radiologie clinique, précise l'auteur principal, le Pr Marius George Linguraru, professeur à la chaire de recherche et d'innovation à l'hôpital national pour enfants. Les outils d’IA peuvent jouer un rôle clé en radiologie, mais les radiologues doivent pouvoir se fier à la conception des systèmes et recevoir une formation adéquate. En tant que médecins les plus familiers avec ces outils, les radiologues doivent établir des lignes directrices claires en matière de responsabilité clinique. »
Ce texte aborde ainsi des considérations cliniques importantes, telles que le partage de données, l’annotation, les biais et les performances des modèles de déploiement de l’IA dans la pratique de la radiologie. Les auteurs suggèrent que les outils d'échange de données à des fins d'analyse centralisée ou d'apprentissage automatique seront en mesure de prendre en charge le partage de données et/ou de modèles, mais nécessiteront une infrastructure et un soutien institutionnels supplémentaires. Ils pensent également que l’annotation d’images pourrait devenir un obstacle moins important dans les 5 à 10 prochaines années et que les modèles d’IA construits avec de petits ensembles de données pourraient résoudre les problèmes liés au biais et à la diversité des données s’ils sont appliqués à des populations ciblées et soigneusement surveillées.
Donner la priorité aux flux de données issus des modalités d’imagerie vers les PACS ou les entrepôts de données
Les auteurs prédisent que la formation des radiologues à travailler avec des outils d’IA deviendra une routine. Ils soutiennent que la motivation des radiologues à utiliser l’IA est essentielle pour accroître l’efficacité clinique et la capacité à effectuer des tâches complexes. Ils soulignent également que les outils d’IA sont conçus avec la confiance des radiologues et des définitions claires de la responsabilité clinique.
Le rapport affirme que le cloud computing pourrait être plus efficace pour les services de radiologie qui manquent de matériel et de ressources de maintenance et suggère également que la conception, le développement, le déploiement et la surveillance des outils d'IA en radiologie soient effectués par des scientifiques des données et des radiologues travaillant ensemble, et que les institutions cliniques devraient donner la priorité au flux de données depuis les appareils d'acquisition vers les PACS et/ou les entrepôts de données et vers les serveurs d'IA. .
Vers un langage pluridisciplinaire commun favorisé par l’adoption des nouvelles technologies
Ce texte aborde enfin les directives réglementaires et l'approbation. Les auteurs notent que la radiologie est le principal domaine d’application des dispositifs médicaux d’IA approuvés par la FDA. Ils ajoutent que les modèles de vision et de langage peuvent avoir un impact positif sur le domaine de la radiologie et devraient être soumis à une surveillance réglementaire. Les auteurs soulignent que le rôle de l’approbation réglementaire dans la mise en œuvre de l’IA dans la pratique clinique nécessitera une réflexion continue.
Les perspectives de déploiement de l’IA en radiologie sont prometteuses. Les modèles d’IA de base et génératifs à grande échelle, y compris les modèles de vision et de langage, peuvent avoir un impact sur l’adoption clinique des outils d’IA et peuvent contribuer à réduire l’épuisement professionnel en radiologie. Les incitations financières à l’utilisation de l’IA encourageront les hôpitaux à investir dans des logiciels basés sur l’IA et augmenteront la motivation des médecins à utiliser les nouvelles technologies. Pour faire progresser les outils d’IA en radiologie dans les soins cliniques et la recherche, les sociétés multidisciplinaires peuvent adopter un programme, un langage et un ensemble d’attentes unifiés.
Paco Carmine