Le deep learning pour gagner le combat contre la tuberculose
LUNDI 03 DéCEMBRE 2018
Soyez le premier à réagirLe combat contre la tuberculose pourrait être gagné en utilisant l'IA pour le diagnostic sur les radiographies pulmonaires. Ce thème a été développé dans un article de la revue Radiology, primé au congrès de la RSNA 2018.
La Radiological Society of North America (RSNA) a décerné, le 26 novembre 2018, son septième prix d'excellence scientifique Alexander R. Margulis au Dr Paras Lakhani, du Thomas Jefferson University Hospital (TJUH) de Philadelphie, pour l'article intitulé "Deep Learning pour la radiographie thoracique: classification automatisée de la tuberculose pulmonaire à l’aide de réseaux de neurones convolutifs", publiée en ligne en avril 2017.
L'intelligence artificielle pour gagner le combat contre la tuberculose
Baptisé en l'honneur du Dr Alexander R. Margulis, chercheur distingué et visionnaire dans le domaine de la radiologie, ce prix annuel récompense le meilleur article scientifique original publié dans la revue Radiology, par le comité de lecture de la RSNA. Si l’imagerie joue un rôle central dans le diagnostic et la prise en charge de la tuberculose, l’accès à la radiologie est souvent limité dans les pays en développement où la tuberculose est la plus répandue. Espérant combler cette lacune, le Dr Lakhani et son collègue le Dr Baskaran Sundaram, également du TJUH, ont étudié l'efficacité d'une méthode automatisée de détection de la tuberculose sur des radiographies thoraciques.
Les chercheurs ont notamment utilisé le Deep learning, qui utilise des réseaux de neurones à convolution profonde (DCNN), pour identifier la tuberculose sur les radiographies thoraciques. Les résultats de la recherche étaient prometteurs. "Nous avons déterminé que le deep learning DCNN peut classer la tuberculose à partir de la radiographie pulmonaire, a déclaré le Dr Lakhani. Cette méthode signifie que la radiographie peut faciliter les efforts de dépistage et d'évaluation dans les zones prévalentes pour la tuberculose où l'accès aux radiologistes est limité."
Un problème de Santé publique dans les pays en développement
Selon le Pr David A. Bluemke, rédacteur en chef de la revue Radiology, ce type de recherche innovante représente l'avenir de la radiologie. "Les auteurs ont évalué un problème mondial de santé publique - en particulier dans les zones où il y a peu de radiologues, a-t-il déclaré. Ce qui est important ici est que les Drs. Lakhani et Sundaram ont validé leurs résultats en étudiant des radiographies thoraciques aux États-Unis, en Biélorussie et en Chine. Ce type d’étude validée avec pertinence va changer la pratique de la radiologie."
Pour le Dr Lakhani, le potentiel d'amélioration de la détection de la tuberculose, l'une des 10 principales causes de décès dans le monde, constitue un facteur de motivation important pour la recherche. Et d'après l'Organisation mondiale de la santé (OMS), environ 10,4 millions de personnes ont contracté la tuberculose en 2016, entraînant la mort de 1,8 million de personnes. "Une solution automatisée pourrait réduire significativement le développement de cette maladie, en particulier dans les pays en développement comme l'Afrique subsaharienne, poursuit-il. Une grande priorité de l'OMS est de mettre fin à la tuberculose."
Un modèle de deep learning précis à 96%
Pour cette étude, les Drs. Lakhani et Sundaram ont reçu 1 007 radiographies de patients atteints, ou non, de tuberculose, constituées de plusieurs jeux de données de radiographie thoracique provenant d'instituts nationaux de la santé, du Belarus Tuberculosis Portal et de TJUH. Ces données ont été divisées en groupes entrainement (68,0%), validation (17,1%) et test (14,9%). Les cas ont été utilisés pour entrainer deux modèles DCNN différents - AlexNet et GoogLeNet - tirés des examens positifs et négatifs à la tuberculose. La précision des modèles a été testée sur 150 cas exclus des jeux de données d'entrainement et de validation. Le modèle d'IA le plus performant combinait AlexNet et GoogLeNet, avec une précision nette de 96%.
Les deux modèles DCNN étaient incohérents dans 13 des 150 cas tests. Pour ces cas, les chercheurs ont évalué une procédure où un radiologue expert était capable d'interpréter les images, en diagnostiquant avec précision 100% des cas. Ce flux de travail, incorporant un humain dans la boucle, avait une plus grande précision nette de près de 99%. Selon le Dr Lakhani, les DCNN n'étaient pas entrainés pour distinguer les ressemblances potentielles de la tuberculose pulmonaire, tels que le cancer du poumon, la pneumonie bactérienne ou les maladies tropicales.
Élargir le champ d'étude pour donner de la robustesse à son modèle
"Le but de ces algorithmes est de différencier les radiographies pulmonaires normales des anomalies thoraciques dans le champ d'évaluation de la tuberculose, remarque-t-il. Les cas signalés comme anormaux présentant des caractéristiques de tuberculose pulmonaire devraient être suivis d'une confirmation bactériologique, comme le suggèrent les processus de dépistage présentés par l'OMS. L'objectif de ces derniers est la réduction des coûts, la valorisation de la radiographie numérique ayant considérablement diminué au cours de la dernière décennie."
Le Dr Lakhani, qui a terminé son cursus en médecine nucléaire et en PETScan, est radiologue depuis 2011 et se spécialise principalement en radiologie cardiaque au TJUH. Il a ajouté que le Prix Margulis, en plus d'être un immense honneur, donne une impulsion à ses projets d'amélioration des modèles avec davantage d'expérience et d'autres méthodes de deep learning. Bien qu'il s'agisse d'une étude rétrospective basée sur des ensembles de données disponibles au moment de l'étude, il espère élargir le champ en étudiant l'utilisation de DCNN dans une pratique clinique d'évaluation de la tuberculose.
"Avec le deep learning, plus vous disposez de données, mieux vous vous portez, conclut-il. Il existe de nombreuses données à l’international permettant de développer des algorithmes plus robustes et l’avenir est prometteur pour ce type de recherche."
Bruno Benque avec RSNA