Les radiologues pourront bientôt utiliser l'IA pour détecter les tumeurs cérébrales

Un article intitulé « Apprentissage profond et apprentissage par transfert pour la détection et la classification des tumeurs cérébrales », publié dans la revue Biology Methods and Protocols, indique que les scientifiques peuvent entraîner des modèles d'intelligence artificielle (IA) à distinguer les tumeurs cérébrales des tissus sains. Ces modèles peuvent déjà détecter les tumeurs cérébrales sur des images IRM presque aussi bien qu'un radiologue humain.

Les chercheurs ont réalisé des progrès constants dans l'application de l'IA à la médecine. L'IA est particulièrement prometteuse en radiologie, où l'attente du traitement des images médicales par les techniciens peut retarder le traitement des patients. Les réseaux de neurones convolutifs sont des outils puissants qui permettent aux chercheurs d'entraîner des modèles d'IA sur de grands ensembles d'images pour la reconnaissance et la classification.

De cette façon, les réseaux peuvent « apprendre » à distinguer les images. Ils ont également la capacité de « transférer l'apprentissage ». Les scientifiques peuvent réutiliser un modèle entraîné pour une tâche donnée pour un nouveau projet connexe.

Bien que la détection d’animaux camouflés et la classification des tumeurs cérébrales impliquent des types d’images très différents, les chercheurs ont suggéré qu’il existe un parallèle entre un animal se cachant grâce à un camouflage naturel et un groupe de cellules cancéreuses se fondant dans les tissus sains environnants.

Le processus appris de généralisation – regrouper différents objets sous un identifiant unique – est important pour comprendre comment le réseau peut détecter des objets camouflés. Cet apprentissage pourrait être particulièrement utile pour détecter les tumeurs.

Dans cette étude rétrospective des données IRM accessibles au public, les chercheurs ont examiné comment les modèles de réseaux neuronaux pourraient être formés sur des données de cancer du cerveau, en introduisant une étape d'apprentissage par transfert unique pour détecter les animaux masqués afin d'améliorer les compétences de détection des tumeurs du réseau.

En utilisant des IRM provenant de sources de données sur le cancer accessibles au public en ligne et des images de contrôle de cerveaux sains (y compris Kaggle, les archives d'images sur le cancer du NIH et le système de santé des anciens combattants de Boston), les chercheurs ont formé des réseaux pour faire la distinction entre les IRM saines et cancéreuses, identifier la zone affectée par le cancer et l'apparence prototypique du cancer (type de tumeur cancéreuse).

Les chercheurs ont constaté que les réseaux étaient quasiment parfaits pour identifier les images cérébrales normales, avec seulement un ou deux faux négatifs, et pour distinguer les cerveaux cancéreux des cerveaux sains. Le premier réseau a affiché une précision moyenne de 85,99 % dans la détection du cancer du cerveau, tandis que le second atteignait 83,85 %.

Une caractéristique clé du réseau réside dans la multiplicité des façons d'expliquer ses décisions, ce qui renforce la confiance des professionnels de santé et des patients dans les modèles. Les modèles profonds manquent souvent de transparence, et à mesure que le domaine évolue, la capacité à expliquer les décisions des réseaux devient essentielle.

Grâce à cette recherche, le réseau peut désormais générer des images montrant des zones spécifiques de la classification d'une tumeur comme positives ou négatives. Cela permettra aux radiologues de comparer leurs décisions aux résultats du réseau, avec une confiance accrue, comme si un second radiologue « robot » était à proximité et pointait la zone de l'IRM indiquant une tumeur.

À l’avenir, les chercheurs estiment qu’il sera important de se concentrer sur la création de modèles de réseaux profonds dont les décisions peuvent être décrites de manière intuitive afin que l’IA puisse jouer un rôle de soutien transparent dans la pratique clinique.

Bien que les réseaux aient eu des difficultés à distinguer les types de tumeurs cérébrales dans tous les cas, il était clair qu'ils présentaient des différences intrinsèques dans la manière dont les données y étaient représentées. La précision et la clarté ont été améliorées à mesure que les réseaux étaient entraînés à reconnaître le camouflage. L'apprentissage par transfert a permis d'accroître la précision.

Bien que le meilleur modèle testé soit 6 % moins précis que la détection humaine standard, l'étude démontre avec succès l'amélioration quantitative obtenue grâce à ce paradigme d'apprentissage. Les chercheurs estiment que ce paradigme, associé à l'application complète de méthodes d'explicabilité, contribuera à apporter la transparence nécessaire aux futures recherches cliniques en IA.

« Les progrès de l’IA permettent de détecter et de reconnaître des modèles avec plus de précision », a déclaré l’auteur principal de l’article, Arash Yazdanbakhsh.

Cela améliore à son tour le diagnostic et le dépistage par imagerie, mais nécessite également davantage d'explications sur la manière dont l'IA exécute une tâche. L'accent mis sur l'explicabilité de l'IA améliore les interactions homme-IA en général. Ceci est particulièrement important entre les professionnels de la santé et l'IA conçue à des fins médicales.

« Des modèles clairs et explicables sont mieux adaptés pour faciliter le diagnostic, suivre la progression de la maladie et surveiller le traitement. »