Selon une étude menée par Stanford University publiée dans JAMA Network Open, les médecins pourraient bientôt avoir recours à un outil d'intelligence artificielle (IA) pour diagnostiquer des anévrismes cérébraux, des renflements dans les vaisseaux sanguins du cerveau susceptibles de fuir ou de s'ouvrir, pouvant entraîner un accident vasculaire cérébral, des lésions cérébrales ou la mort. L’outil d’IA met en évidence les zones d’un scanner cérébral susceptibles de contenir un anévrisme
Comme le révèlent les chercheurs, la communauté scientifique s'inquiète beaucoup de savoir comment l'apprentissage automatique fonctionnera réellement dans le domaine médicalCette recherche est un exemple de la façon dont les humains restent impliqués dans le processus de diagnostic, aidés par un outil d'intelligence artificielle
Selon les chercheurs, cet outil, construit autour d'un algorithme appelé HeadXNet, a amélioré la capacité des cliniciens à identifier correctement les anévrismes à un niveau équivalent à la recherche de six autres anévrismes dans 100 analyses contenant des anévrismes. Cela a également amélioré le consensus parmi les cliniciens interprètes. Bien que le succès de HeadXNet dans ces expériences soit prometteur, les chercheurs, qui possède une expertise en apprentissage automatique, en radiologie et en neurochirurgie, mettent en garde sur la nécessité de poursuivre les recherches pour évaluer la généralisabilité de l’outil d’IA avant le déploiement clinique en temps réel, compte tenu des différences de traitement. matériel de numérisation et protocoles d’imagerie dans différents centres hospitaliers. Les chercheurs envisagent de résoudre ces problèmes par le biais d’une collaboration multicentrique.
Selon les chercheurs, le principal défi consistait à créer un outil d’intelligence artificielle capable de traiter avec précision ces grandes piles d’images 3D et de compléter la pratique du diagnostic clinique. Pour former leur algorithme, les chercheurs ont décrit des anévrismes cliniquement significatifs détectables sur 611 tomographies de la tête d'angiographies par tomodensitométrie.
Après l’entraînement, l’algorithme décide pour chaque voxel d’une analyse si un anévrisme est présent ou non. Le résultat final de l'outil HeadXNet donne les conclusions de l'algorithme superposées en surbrillance semi-transparente au-dessus de l'analyse. Cette représentation de la décision de l'algorithme permet aux cliniciens de toujours voir à quoi ressemblent les analyses sans l'entrée de HeadXNet.
Huit cliniciens ont testé HeadXNet en évaluant un ensemble de 115 examens du cerveau pour détecter un anévrisme, une fois avec l'aide de HeadXNet et une fois sans. Avec l'outil, les cliniciens ont correctement identifié plus d'anévrismes et ont donc réduit le taux d'échec, et les cliniciens étaient plus susceptibles d'être en accord les uns avec les autres. HeadXNet n'a pas influencé le temps qu'il a fallu aux cliniciens pour décider d'un diagnostic ou leur capacité à identifier correctement les balayages sans anévrisme.
Les chercheurs mentionnent, en terminant, que les visualiseurs d'analyse actuels ne sont pas conçus pour fonctionner avec une aide à l'apprentissage en profondeur. Les chercheurs ont donc dû concevoir des outils permettant d'intégrer HeadXNet dans les visualiseurs d'analyse. De même, des variations dans les données du monde réel, par opposition aux données sur lesquelles l'algorithme est testé et entraîné, pourraient réduire les performances du modèle. Si l'algorithme traite des données provenant de différents types de scanners ou de protocoles d'imagerie, ou d'une population de patients qui ne faisait pas partie de sa formation initiale, il risque de ne pas fonctionner comme prévu. En raison de ces problèmes, les chercheurs croient que le déploiement se fera plus rapidement, pas avec une automatisation pure de l'IA, mais avec une collaboration entre l'IA et les radiologues
Aucun commentaire:
Enregistrer un commentaire