Selon une étude menée par Massachusetts General Hospital (MGH) Department of Radiology publiée dans Nature Biomedical Engineering, les chercheurs auraient mis au point un système utilisant l'intelligence artificielle pour diagnostiquer et classifier rapidement les hémorragies cérébrales et pour fournir la base de ses décisions à partir de base de données image relativement petites. Selon ces derniers, un tel système pourrait devenir un outil indispensable pour les services d’urgence des hôpitaux évaluant les patients présentant les symptômes d’un AVC potentiellement mortel, permettant ainsi une application rapide du traitement approprié.
Comme le soulignent les chercheurs, bien que la puissance de calcul sans cesse croissante et la disponibilité de grands ensembles de données aient amélioré l’apprentissage automatique, le processus par lequel les ordinateurs analysent les données, identifient les schémas et s’apprennent essentiellement à effectuer une tâche sans la participation directe d’un programmeur humain, des obstacles importants peuvent empêcher de telles tâches tels que les systèmes d’intégration dans la prise de décision clinique. Celles-ci incluent la nécessité de disposer de bases de données volumineuses et bien annotées (des systèmes d'analyse d'imagerie développés auparavant et capables de dupliquer les performances d'un médecin ont été formés à plus de 100 000 images) et du problème de la "boîte noire", soit l'incapacité des systèmes à expliquer comment ils sont arrivés une décision
Les chercheurs soulignent qu'en médecine, il est particulièrement difficile de collecter des données volumineuses de haute qualité. Il est essentiel que plusieurs experts étiquettent une base de données pour en assurer leur cohérence. Ce processus est très coûteux et prend du temps. Les chercheurs soulignent également que certaines critiques suggèrent que les algorithmes d’apprentissage automatique ne peuvent pas être utilisés en pratique clinique, car ils ne justifient pas leurs décisions. Les chercheurs croient qu’il était impératif de surmonter ces deux défis pour faciliter l’utilisation dans les soins de santé de l’apprentissage automatique, qui a un potentiel immense pour améliorer la qualité et l’accès aux soins.
Pour former leur système, les chercheurs ont commencé avec 904 tomodensitométries de la tête, composées chacune d’une quarantaine d’images individuelles, qui ont été étiquetées par une équipe de cinq neuroradiologues de l’hôpital Afin d'améliorer la précision de ce système d’apprentissage en profondeur, les chercheurs ont procédé par étapes. imitant la façon dont les radiologues analysent les images. Ceux-ci incluent des facteurs de réglage tels que le contraste et la luminosité pour révéler des différences subtiles qui ne sont pas immédiatement apparentes, ainsi que le défilement des tranches de scanographie adjacentes pour déterminer si un élément apparaissant sur une seule image reflète un problème réel ou est un artefact sans signification.
Une fois le système modèle créé, les chercheurs l'ont testé sur deux ensembles distincts de tomodensitométries: un ensemble rétrospectif pris avant le développement du système, consistant en 100 balayages avec et 100 sans hémorragie intracrânienne, et un ensemble prospectif de 79 balayages avec 117 sans hémorragie, prise après la création du modèle. Dans son analyse de l'ensemble rétrospectif, le système modèle était aussi précis que les radiologistes qui avaient examiné les examens radiographiques pour détecter et classer les hémorragies intracrâniennes. Dans son analyse de l'ensemble prospectif, il s'est avéré être encore meilleur que les lecteurs humains non experts.
Afin de résoudre le problème de la "boîte noire", les chercheurs ont examiné et enregistré les images de l'ensemble de données de formation qui représentait le plus clairement les caractéristiques classiques de chacun des cinq sous-types d'hémorragie. En utilisant cet atlas de caractéristiques distinctives, le système est capable d'afficher un groupe d'images similaires à celles du scanner en cours d'analyse afin d'expliquer le fondement de ses décisions.
Aucun commentaire:
Enregistrer un commentaire