Selon une étude menée par RIKEN Center for Advanced Intelligence Project (AIP) au Japon publiée dans Nature Communications, la technologie d'intelligence artificielle (IA) a découvert des caractéristiques dans les images de pathologie de patients cancéreux humains, sans annotation, qui pourraient être comprises par les médecins. De plus, l'IA a identifié des caractéristiques pertinentes pour le pronostic du cancer qui n'avaient pas été précédemment notées par les pathologistes, conduisant à une plus grande précision de la récidive du cancer de la prostate par rapport au diagnostic basé sur le pathologiste. La combinaison des prédictions faites par l'IA avec les prédictions des pathologistes humains a conduit à une précision encore plus grande.
Les chercheurs ont adopté une approche appelée «apprentissage non supervisé». Selon ces derniers, tant que les humains enseignent l'IA, il n'est pas possible d'acquérir des connaissances au-delà de ce qui est actuellement connu. Plutôt que d'apprendre des connaissances médicales, l'IA a été invitée à apprendre en utilisant des réseaux de neurones profonds non supervisés, appelés auto-encodeurs, sans avoir reçu aucune connaissance médicale. Les chercheurs ont développé une méthode pour traduire les caractéristiques trouvées par l'IA en images à haute résolution qui peuvent être comprises par les humains.
Les chercheurs ont acquis 13188 images de diapositives de la prostate à montage complet de la Nippon Medical School Hospital (NMSH). Ces derniers soulignent que la quantité de données était énorme, équivalant à environ 86 milliards de patchs d'images (sous-images divisées pour les réseaux de neurones profonds) , et le calcul a été effectué sur le puissant supercalculateur RAIDEN d'AIP.
L'IA a appris à utiliser des images de pathologie sans annotation de diagnostic à partir de 11 millions de patchs d'images. Les caractéristiques trouvées par l'IA comprenaient des critères de diagnostic du cancer qui ont été utilisés dans le monde entier, sur le score de Gleason, mais aussi des caractéristiques impliquant le stroma - tissus conjonctifs supportant un organe - dans des zones non cancéreuses que les experts ignoraient. Afin d'évaluer ces caractéristiques trouvées par l'IA, le groupe de recherche a vérifié les performances de la prédiction de récurrence en utilisant les cas restants de NMSH (validation interne). Le groupe a constaté que les caractéristiques découvertes par l'IA étaient plus précises (ASC = 0,820) que les prédictions faites sur la base des critères de cancer établis par l'homme développés par les pathologistes, le score de Gleason (ASC = 0,744). De plus, la combinaison des caractéristiques trouvées par l'IA et des critères établis par l'humain a prédit la récidive plus précisément que l'utilisation de l'une ou l'autre méthode (AUC = 0,842). Le groupe a confirmé les résultats en utilisant un autre ensemble de données, y compris 2276 images de pathologie à montage complet (10 milliards de patchs d'images) du St. Marianna University Hospital et du Aichi Medical University Hospital (validation externe).
Aucun commentaire:
Enregistrer un commentaire