Vous êtes dans : Accueil > Actualités > Intelligence Artificielle, Machine Learning > Hiérarchiser les radiographies thoraciques pathologiques à l'aide du Deep Learning

Hiérarchiser les radiographies thoraciques pathologiques à l'aide du Deep Learning

MARDI 22 JANVIER 2019 Soyez le premier à réagirSoyez le premier à réagir

Selon une étude parue dans la revue Radiology, un système de Deep Learning peut  hiérarchiser les radiographies thoraciques pathologiques, réduisant potentiellement le délai de consultation des examens par les radiologues. Un système de détection des mots clés dans les comptes rendus a été utilisé dans cette étude. 

RSNA

Les radiographies thoraciques représentent 40% de l’imagerie diagnostique dans le monde. Ce volume peut créer des arriérés importants dans les établissements de santé. Au Royaume-Uni, on estime à environ 330 000 le nombre d'examens de routine qui ont attendu plus de 30 jours pour recevoir un compte rendu.

Réduire les délais d'attente de résultats pour les radiographies pathologiques

"Il n’existe actuellement aucun moyen systématique et automatisé de trier les radiographies pulmonaires et de classer celles qui présentent des résultats critiques et urgents au sommet de la pile du radiologue", déclare le Dr Giovanni Montana, anciennement du King's College London. à Londres et actuellement à l’Université de Warwick à Coventry, en Angleterre et co-auteur d'une étude sur ce thème parue dans la Revue Radiology. Un outil de Deep learning (DL) a été proposé comme moyen automatisé de réduire cet arriéré et d'identifier les examens qui méritent une attention immédiate, en particulier dans les systèmes de soins de santé financés par des fonds publics.

Des images classées à partir des mots clés tirés des comptes rendus

Pour l’étude, le professeur Montana et ses collègues ont utilisé 470 388 radiographies thoraciques anonymisées d’adultes afin de mettre au point un système d’IA permettant d’identifier les principaux résultats. Les comptes rendus radiologiques ont été pré-traités à l'aide du Natural Language Processing (NLP), un algorithme qui extrait les mots clés à partir de texte écrit. Pour chaque radiographie, le système interne de recherche avait besoin d’une liste de mots clés indiquant les anomalies spécifiques visibles sur l’image. "Le NLP va bien au-delà de l’identification de modèles, poursuit le Dr Montana. Il utilise des techniques d'IA pour déduire la structure de chaque phrase écrite. Par exemple, il identifie la présence de résultats cliniques, les localisations anatomiques et de leurs relations. Le développement du système de NLP pour l'étiquetage à grande échelle des radiographies thoraciques a été une étape cruciale dans notre étude. »

Une réduction significative des délais d'attente

Le NLP a analysé le compte rendu radiologique afin de hiérarchiser chaque image comme critique, urgente, non urgente ou normale. Un système d'IA pour la vision par ordinateur a ensuite été formé à partir d'images de radiologiques étiquetées afin de prédire la priorité clinique. Les chercheurs ont testé les performances du système en matière de hiérarchisation dans une simulation analysant un ensemble indépendant de 15 887 images. Le système d'IA distinguait les radiographies thoraciques anormales des normales avec une grande précision. Les simulations ont montré que les résultats critiques pouvaient être traités par un radiologue au bout de 2,7 jours en moyenne avec s'il était aidé par l'IA, contre 11,2 jours en moyenne en pratique classique.

Vers un système de génération automatisé de phrases pour les interprétations ?

"Les premiers résultats rapportés ici sont intéressants, car ils démontrent qu’un système d’IA peut être formé avec succès à l’aide d’une très grande base de données radiologiques de routine, remarque le Dr Montana. Avec une validation clinique plus poussée, cette technologie devrait permettre de réduire considérablement la charge de travail d'un radiologue en détectant tous les examens normaux, de sorte que l'on puisse consacrer plus de temps à ceux qui détectent une pathologie." Les chercheurs envisagent d'étendre leurs recherches à une taille d'échantillon beaucoup plus grande et de déployer des algorithmes plus complexes pour de meilleures performances. Les objectifs de recherche futurs comprennent notamment une étude multicentrique visant à évaluer de manière prospective les performances du logiciel de tri.

"Une étape majeure de cette recherche consistera en la génération automatisée de phrases décrivant les anomalies radiologiques observées sur les images, conclut le Dr Montana. Cela semble un objectif réalisable."

Bruno Benque avec RSNA


Un logiciel d'IA taillé pour le dépistage du cancer du poumon par TDM low dose
03/04/2025 : Median Technologies a publié, le 31 Mars 2025, les résultats finaux de l’étude pivot RELIVE, qui confirment et complètent les premiers résultats annoncés le 3 Février 2025 à propos d’eyonis™, une suite de logiciels dispositifs médicaux basés sur l’IA pour le diagnostic précoce du cancer.

Un CADe français pour la radiographie thoracique obtient l'autorisation FDA
27/03/2025 : La firme française Gleamer a annoncé, le 25 Mars 2025, l’autorisation de mise sur le marché, par la Food and Drug Administration (FDA), de sa solution avancée d’interprétation des radiographies thoraciques, ChestView.

Recommandations européennes pour l'intégration de l'IA dans la radiologie
11/03/2025 : 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.

L'IA en imagerie thoracique nécessiterait une redéfinition du rôle des radiologues
07/03/2025 : L’imagerie thoracique à la pointe de l’intelligence artificielle. C’est le message que font passer des chercheurs coréens dans un article publié dans la Revue Radiology. Ils listent les applications de cette technologie, comme l’interprétation assistée par l’IA et dépistage opportuniste des maladies non ciblées, mais recommandent une redéfinition proactive du rôle des radiologues essentielle à l’intégration de l’IA en imagerie.

IABM 2025, le colloque pour maitriser l'IA en imagerie biomédicale
11/02/2025 : L’Institut National de Recherche en sciences et technologies du numérique (INRIA)organise, en coopération avec d’autres institutions scientifiques, le 3ème Colloque Français d’Intelligence Artificielle en Imagerie Biomédicale (IABM 2025), les 17 et 18 Mars 2025, au Palais de la Méditerranée à Nice.

Une startup européenne d'IA obtient une importante levée de fonds pour atteindre ses objectifs
27/11/2024 : La plateforme d’IA Raidium agit comme une fabrique de biomarqueurs d’imagerie au service de la pratique clinique et de la recherche. Elle annonce une levée de 13 M$ qui devrait lui permettre de progresser et d’obtenir les certifications FDA et CE.

La confiance des radiologues en l'IA : une arme à double tranchant
19/11/2024 : Lorsqu’ils prennent des décisions diagnostiques aidés par l’Intelligence Artificielle (IA), les radiologues lui font parfois trop confiance alors qu’elle signale une zone d'intérêt spécifique sur une radiographie. C’est en substance ce qui ressort d’une nouvelle étude publiée dans la Revue Radiology.

La lecture des images radiologiques toujours pas au point pour Chat-GPT4 Vision
09/09/2024 : Des chercheurs américains ont réalisé une étude, publiée dans la Revue Radiology, évaluant les performances de ChatGPT-4 Vision, capable d’interpréter du texte et de l’image. Ils ont constaté que le modèle fonctionnait bien sur les questions d'examen de radiologie textuelles, mais qu'il avait du mal à répondre avec précision aux questions liées aux images. Des réponses hallucinatoires suggèrent même des interprétations d’images incorrectes aux conséquences cliniques potentiellement graves.

L'IA vs le radiologue dans l'interprétation de la radiographie pulmonaire
03/09/2024 : Un outil d'intelligence artificielle (IA) utilisé dans une étude danoise publiée dans la Revue Radiology pour interpréter des radiographies pulmonaires s'est avéré efficace pour exclure une pathologie. Il a présenté des taux d'échec critiques sur les radiographies pulmonaires égaux ou inférieurs à ceux des radiologues, ses erreurs se révélant plus graves cliniquement.

Un grand modèle de langage open source pour concurrencer les modèles propriétaires
29/08/2024 : La Revue Radiology publie une étude allemande relative à la performance de Meta Llama 3, un grand modèle de langage open source qui concurrence les grands modèles propriétaires, tels que GPT-4 et Gemini. Les chercheurs ont soumis l’outil à un sous-ensemble de questions d'examen de type jury de radiologie et ont montré la pertinence de Meta Llama 3.