IA-google-détection-cancer-sein-métastatique

Les tumeurs métastatiques – des cellules cancéreuses qui se détachent de leur tissu d’origine, traversent le corps par le système circulatoire ou lymphatique et forment de nouvelles tumeurs dans d’autres parties du corps – sont notoirement difficiles à détecter. Une étude menée en 2009 sur 102 patientes atteintes du cancer du sein dans deux centres de santé de Boston a révélé qu’un cas sur quatre était affecté par les échecs du processus de détection, tels qu’un examen physique insuffisant et des tests de diagnostic incomplets.

L’IA de Google offre une précision de 99%

C’est l’une des raisons pour lesquelles, sur un demimillion de décès dans le monde dus au cancer du sein, environ 90% sont dus à des métastases. Des chercheurs du Naval Medical Center de San Diego et de Google AI, une division de Google dédiée à la recherche sur l’intelligence artificielle, ont mis au point une solution prometteuse utilisant des algorithmes de détection du cancer permettant d’évaluer de manière autonome les biopsies des ganglions lymphatiques.

Leur système d’intelligence artificielle, appelé LYN Node Assistant ou LYNA, est décrit dans un article intitulé «Détection de métastases nodales du cancer du sein basée sur l’intelligence artificielle», publié dans l’American Journal of Surgical Pathology. Lors des tests, il a atteint une surface sous la caractéristique de fonctionnement du récepteur (AUC) – une mesure de la précision de la détection – de 99%. C’est supérieur aux pathologistes humains qui, selon une évaluation récente, manquent de petites métastases sur des lames individuelles jusqu’à 62% du temps lorsque le temps presse.

Des algorithmes d’intelligence artificielle

«Les algorithmes d’intelligence artificielle peuvent évaluer de manière exhaustive chaque partie de tissu sur une diapositive», ont écrit les auteurs de l’article. «Nous fournissons un cadre pour aider les pathologistes praticiens à évaluer de tels algorithmes en vue de leur adoption dans leur flux de travail.»

cancer-sein-imageEn haut: à gauche: une diapositive contenant des ganglions lymphatiques. Droite: LYNA identifiant la région tumorale.
(Crédit image: Google.)

LYNA est basé sur Inception-v3, un modèle d’apprentissage approfondi en reconnaissance d’image open source qui permet d’obtenir une précision supérieure à 78,1% sur le jeu de données ImageNet de Stanford. Comme les chercheurs l’ont expliqué, il prend en entrée une image de 299 pixels (taille d’entrée par défaut d’Inception-v3), décrit les tumeurs au niveau des pixels et, au cours de la formation, extrait des étiquettes – c’est-à-dire des prédictions – de la partie du tissu ( «bénigne» ou «tumeur») et ajuste les poids algorithmiques du modèle pour réduire les erreurs.

Une amélioration des algorithmes 

L’équipe a amélioré les algorithmes précédemment publiés en exposant LYNA à un rapport 4: 1 de patchs normaux / tumoraux, et en augmentant «l’efficacité de calcul» du processus d’entraînement, ce qui a conduit à l’algorithme à «voir » une plus grande diversité de tissus. De plus, ils ont normalisé les variations dans les balayages de lames de biopsie, ce qui, selon eux, a encore amélioré les performances du modèle.

Les chercheurs ont appliqué LYNA au jeu de données de défi 2016 sur les métastases du cancer dans les ganglions lymphatiques (Camelyon16) – une collection de 399 images de sections de ganglions lymphatiques du Centre médical universitaire Radboud (Nimègue, Pays-Bas) et du Centre médical universitaire d’Utrecht – ainsi qu’un ensemble distinct de 108 images de 20 patientes. Il a été entraîné avec 270 de ces diapositives (160 normales, 110 avec tumeur) et deux ensembles d’évaluation – l’une composée de 129 diapositives et un autre de 108 diapositives – ont été utilisés pour évaluer ses performances.

Lors des tests, LYNA a atteint une précision de 99,3% au niveau des diapositives. Lorsque le seuil de sensibilité du modèle a été ajusté pour détecter toutes les tumeurs sur chaque lame, il présentait une précision de 69%, en identifiant avec précision les 40 métastases de l’ensemble de données d’évaluation sans faux positifs. De plus, il n’était pas affecté par des artefacts dans les lames, tels que des bulles d’air, un traitement médiocre, une hémorragie et un surdosage.

Ce système n’est pas parfait

LYNA n’était pas parfait – il a parfois mal identifié des cellules géantes, des cancers germinaux et des globules blancs dérivés de la moelle osseuse, connus sous le nom d’histiocytes – mais a obtenu de meilleurs résultats qu’un pathologiste chargé d’évaluer les mêmes lames, et dans un deuxième article publié par Google AI et Verily, la filiale de la société-mère d’Alphabet dans le secteur des sciences de la vie, le modèle a permis de réduire de moitié le temps nécessaire à la détection de métastases dans les ganglions lymphatiques par une équipe de six personnes. Les futurs travaux examineront si l’algorithme améliore l’efficacité ou la précision du diagnostic.

«[Lyna] atteint une précision au niveau de la tumeur supérieure à celle des pathologistes et une performance comparable à celle des lames, ont écrit les chercheurs. « Ces techniques peuvent améliorer la productivité du pathologiste et réduire le nombre de faux négatifs associés à la détection morphologique de cellules tumorales. »

Sur son blog, Google explique:

Des travaux supplémentaires seront nécessaires pour évaluer l’impact de LYNA sur les flux de travail cliniques réels et les résultats pour les patients. Cependant, nous restons optimistes sur le fait que des technologies d’apprentissage en profondeur soigneusement validées et des outils cliniques bien conçus peuvent contribuer à améliorer à la fois la précision et la disponibilité du diagnostic pathologique dans le monde.

Google a beaucoup investi

Google a largement investi dans les applications de soins de santé pour l’IA. Ce printemps, l’équipe Medical Brain de la société de Mountain View a déclaré avoir créé un système d’IA permettant de prédire la probabilité d’une réadmission à l’hôpital. Elle l’avait utilisé en juin pour prévoir les taux de mortalité dans deux hôpitaux avec une précision de 90%.

Puis en février, des scientifiques de Google et de Verily ont créé un réseau d’apprentissage automatique capable de déduire avec précision les informations de base d’une personne, notamment son âge et sa tension artérielle, et de déterminer s’ils risquaient de subir un problème cardiaque important, telle qu’une crise cardiaque.

DeepMind, la division de recherche sur l’IA basée à Londres de Google, participe à plusieurs projets d’IA liés à la santé, notamment à un essai en cours au ministère américain des Anciens Combattants qui cherche à prédire quand la situation des patients se détériorera pendant un séjour à l’hôpital.

Auparavant, il s’était associé au service national de santé du Royaume-Uni pour développer un algorithme permettant de rechercher les premiers signes de cécité, et dans un article présenté lors de la conférence sur l’informatique médicale et l’intervention assistée par ordinateur au début de l’année, les chercheurs de DeepMind ont déclaré avoir développé un système d’IA capable de segmenter les tomodensitogrammes avec une «performance proche de l’être humain».

Source : Venture Beat / Google