L'Intelligence Artificielle en imagerie médicale

L'Intelligence Artificielle (IA), définie en 1956, a connu des progrès fulgurants ces dernières années, alimentée par un flux de données incessant et l'amélioration constante de la puissance de calcul informatique.

Nous revenons dans cette présentation sur les origines de l'intelligence artificielle, ses pères fondateurs et les principes sous-jacents. Les applications potentielles aux différentes étapes du cycle de vie d'un examen d'imagerie médicale sont également introduites.

La croissance rapide de l’offre en logiciel d’aide au diagnostic radiologique basé sur l’Intelligence Artificielle (IA) ouvre de nouvelles perspectives d’amélioration de la qualité et de la productivité de l’imagerie médicale.

Au-delà de la robustesse technique, les performances d’un logiciel d’IA doivent être évaluées d’un point de vue clinique afin de ne pas surestimer ses capacités en milieu réel. Cette présentation vise à clarifier les méthodes d’évaluation des performances cliniques des systèmes de classification basés sur l’IA.

L’IA est aujourd’hui omniprésente dans le monde de la radiologie, que cela soit pour de la détection de tumeur, le triage des examens ou encore aider à la visualisation. Un sous-ensemble de l’IA, le Deep-Learning, est quant à lui utilisé pour reconstruire l’image.

Cette nouvelle technique de reconstruction tourne une nouvelle page dans l’histoire de la radiologie!

Si l’IA apparaît comme un tournant dans le métier de radiologue, elle a également fondamentalement changé celui du TRM.

De l’optimisation du workflow au positionnement, l’impact de ces « aides » grandit de plus en plus. Nous tenterons de répondre à la question : «Quelle place pour le TRM face à l’IA?»!

L’Intelligence Artificielle a démontré sa capacité à détecter des pathologies sur des images médicales (radio, scanner, IRM, CT scan…). En particulier, l'apprentissage profond a permis d'atteindre des performances comparables à celles d’un humain. Cependant, ces algorithmes peuvent être perçus comme des boîtes noires, fournissant des résultats binaires (présence ou absence de pathologie) sans explication.

Nous présenterons différentes méthodes pour construire des interprétations visuelles convaincantes et capables de renforcer la confiance du clinicien au contact avec ces outils.

Suite aux développements récents de nombre de modèles d'apprentissage profond (deep learning) pour l'analyse d'images médicales, un intérêt croissant se porte sur leurs biais éventuels. Ces biais peuvent être liés à des facteurs biologiques (âge, sexe, etc.) ou non-biologiques (différents systèmes d'imagerie ou protocoles d'acquisitions, etc.), et peuvent se révéler problématiques lors de l'utilisation clinique de ces outils d'analyse pour l'imagerie. Nous présenterons quelques exemples types de biais, ainsi que leurs impacts sur les modèles. Nous discuterons ensuite des méthodes permettant de les corriger, et de l'importance du feedback des cliniciens dans ce processus.