intelligence-artificielle-aide-médicale

L’intelligence artificielle (IA) offre un réel potentiel pour améliorer à la fois la rapidité et la précision des diagnostics médicaux. Mais avant que les cliniciens puissent exploiter la puissance de l’IA pour identifier les conditions maladives dans des images telles que les rayons X, ils doivent «enseigner» aux algorithmes ce qu’il faut rechercher.

Créer des rayons X générés par ordinateur

L’identification des pathologies rares dans les images médicales a présenté un défi persistant pour les chercheurs, en raison de la rareté des images qui peuvent être utilisées pour former les systèmes d’IA dans un cadre d’apprentissage supervisé. Le professeur Shahrokh Valaee et son équipe ont conçu une nouvelle approche: utiliser l’apprentissage automatique pour créer des rayons X générés par ordinateur pour accélérer le processus d’entraînement de l’IA.

«Dans un sens, nous utilisons l’apprentissage automatique pour faire de l’apprentissage automatique», explique Valaee, professeur au Edward S. Rogers Sr., Département de génie électrique et informatique (ECE) de l’Université de Toronto. « Nous créons des rayons X simulés qui reflètent certaines conditions maladives rares, afin que nous puissions les combiner avec de vrais rayons X pour avoir une base de données suffisamment grande, pour entraîner les réseaux de neurones à identifier ces conditions dans d’autres rayons X. »

L’IA a le potentiel d’aider dans le domaine de la médecine

Valaee est membre du laboratoire d’intelligence artificielle en médecine (MIMLab), un groupe de médecins, de scientifiques et de chercheurs en ingénierie, qui combinent leur expertise en traitement d’images, en intelligence artificielle et en médecine pour résoudre des problèmes médicaux. « L’IA a le potentiel d’aider de nombreuses façons dans le domaine de la médecine », explique Valaee. « Mais pour ce faire, nous avons besoin de beaucoup de données – les milliers d’images étiquetées dont nous avons besoin pour faire fonctionner ces systèmes n’existent tout simplement pas pour certaines conditions rares. »

Pour créer ces rayons X artificiels, l’équipe utilise une technique d’AI appelée « un réseau accusatoire génératif convolutionnel profond » (DCGAN) pour générer et améliorer continuellement les images simulées. Les DCGAN sont un type d’algorithmes composés de deux réseaux: l’un qui génère les images et l’autre qui tente de discriminer les images synthétiques des images réelles. Les deux réseaux sont formés au point que le discriminateur ne peut pas différencier les images réelles des images synthétisées. Une fois qu’un nombre suffisant de rayons X artificiels sont créés, ils sont combinés avec des rayons X réels pour former un réseau neuronal convolutionnel profond, qui classe ensuite les images comme normales ou identifie un certain nombre de conditions de maladies.

Enrichir de véritables ensembles de données

« Nous avons été en mesure de montrer que des données artificielles générées par un DCGAN peuvent être utilisées pour enrichir de véritables ensembles de données », explique Valaee. « Cela fournit une plus grande quantité de données pour la formation et améliore la performance de ces systèmes dans l’identification des conditions rares. »

Le MIMLab a comparé la précision de l’ensemble de données augmentées à l’ensemble de données originales lorsqu’il a été alimenté par son système d’IA et a constaté que la précision de la classification s’améliorait de 20% pour les conditions courantes. Pour certaines conditions rares, la précision s’est améliorée jusqu’à environ 40 % – et parce que les rayons X synthétisés ne proviennent pas de personnes réelles, l’ensemble de données peut être facilement accessible aux chercheurs en dehors des hôpitaux sans porter atteinte aux renseignements personnels des patients.

Avec une grande précision

«C’est excitant parce que nous avons pu surmonter un obstacle dans l’application de l’intelligence artificielle à la médecine, en montrant que ces ensembles de données améliorés aident à augmenter la précision de la classification», explique Valaee. « L’apprentissage en profondeur ne fonctionne que si le volume de données d’entraînement est suffisamment important, et c’est une façon de nous assurer que nous avons des réseaux de neurones qui peuvent classer les images avec une grande précision. »

Source : University of Toronto