Les approches par l'intelligence artificielle pourraient améliorer le diagnostic du rein #ArtificialIntelligence #AI #MachineLearning #DeepLearning

Ma mère est décédée d'insuffisance rénale le 9 juillet 2016. Comme mon grand-père et mon oncle, le frère de ma mère, étaient médecins tout comme mon arrière-d-père, mon arrière-arrière grand-père..et j'en passe, j'ai mis sur pied ce blog en mémoire d'eux. Il allait de soit que j'aborde le sujet des reins... Comme nous apprenait l'American Society of Nephrology, deux nouvelles études publiées dans JASN ici et ici révèlent que l'apprentissage automatique moderne, une branche de l'intelligence artificielle dans laquelle les systèmes tirent des enseignements des données, identifient des schémas et prennent des décisions, pourrait compléter les diagnostics traditionnels des maladies du rein

Comme le soulignent les chercheurs, Lles pathologistes classifient souvent diverses maladies rénales sur la base d’évaluations visuelles des biopsies effectuées sur les reins des patients. Or, l'apprentissage automatique aurait le potentiel d'automatiser et d'accroître la précision des classifications.

Selon la première étude, les chercheurs ont mis au point un algorithme de calcul permettant de détecter la gravité de l’insuffisance rénale diabétique sans intervention humaine. L'algorithme examine une image numérique de la biopsie rénale d'un patient au niveau microscopique et extrait des informations sur les glomérules, les petits vaisseaux sanguins du rein qui filtrent les déchets du sang pour les excréter. Les chercheurs mentionnent que ces structures sont progressivement endommagées et marquées par l'évolution du diabète.

Il y a généralement 10 à 20 glomérules individuels par biopsie, et l'algorithme détecte l'emplacement de chaque sous-composant glomérulaire dans les images numériques, puis effectue de nombreuses mesures sur chaque sous-composant. Selon les chercheurs, l'algorithme visualise ensuite toutes les caractéristiques de la biopsie d'un patient dans une série, comme le ferait un médecin pour analyser la biopsie d'un patient passant d'un glomérule à un glomérule et analysant la structure de chacun. L'algorithme a une mémoire à long et à court terme, car il examine la structure glomérulaire, il peut donc retenir et incorporer les informations de tous les glomérules dans son analyse finale. Les chercheurs ont utilisé leur méthode pour classer numériquement les échantillons de biopsie de 54 patients atteints de néphropathie diabétique et ont trouvé un accord substantiel entre les classifications numériques et celles de 3 pathologistes différents.

Dans la seconde étude, les chercheurs ont appliqué l'apprentissage par machine pour analyser les biopsies de greffe de rein et sont allés au-delà des glomérules pour évaluer plusieurs classes de tissus dans le rein. Les chercheurs ont mis au point un modèle d’apprentissage automatique appelé "réseau de neurones à convolution" (convolutional neural network, CNN). Ces derniers ont découvert qu’il pouvait être appliqué à des tissus provenant de multiples centres, à des biopsies et à des échantillons de néphrectomie, ainsi qu’à l’analyse de tissus sains et malades. En outre, ils ont validé les résultats de CNN avec des méthodes de classification standard.