Auteur : Dr Raym Geis, membre du groupe de travail de la CAR en intelligence artificielle
L’intelligence artificielle (IA) et l’apprentissage machine (AM) reposent sur des algorithmes dont le résultat change lorsqu’ils sont alimentés de données. Ces algorithmes ont été créés il y a des décennies, mais ce n’est que récemment qu’ils sont devenus exploitables sur le plan commercial grâce à l’augmentation de la puissance des ordinateurs et de l’accès à des données compatibles.
Les algorithmes d’apprentissage machine sont à la base relativement simples et visent à obtenir le maximum d’une fonction mathématique. Il est facile de concevoir des prototypes, car le langage de programmation est compact, en grande partie déjà écrit et accessible dans des bibliothèques de codage. Il suffit de télécharger et de combiner les portions requises. Vous pouvez donc aisément bâtir un programme qui permet de distinguer les chats et les chiens, ou même de trouver votre propre chien parmi beaucoup d’autres bêtes.
La puissance de ces programmes réside dans leur capacité à trouver des formes dans des données complexes. En plus d’être en mesure de détecter les mêmes formes que les humains, les algorithmes d’apprentissage machine peuvent déceler des formes sous-visuelles, c’est-à-dire invisibles à l’œil humain. Sur le plan commercial, on les utilise pour répéter la même intervention pour de multiples saisies de données similaires. Les examens radiologiques se prêtent aisément à cette utilisation, car ce sont une multitude de cas similaires avec des données d’imagerie complexes.
Cette capacité à extraire de nouveaux renseignements pertinents des images, et de le faire de façon plus efficace et reproductible qu’à l’heure actuelle, entraînera une révolution dans la pratique de la radiologie encore plus importante que les systèmes PACS ou que l’avènement de l’imagerie par coupe transversale.
Même s’il est facile de concevoir des prototypes d’algorithmes d’apprentissage machine, il n’est pas aussi aisé de les traduire en produits cliniques utilisés à grande échelle. C’est pourquoi les premiers outils d’apprentissage machine se contenteront d’être des outils. En matière d’interprétation des images, ils auront trois utilités principales :
- Séparer les examens normaux et anormaux.
- Améliorer la détection des lésions assistée par ordinateur, qualifiée de « DAO efficace », souvent par la diminution des faux résultats positifs, qui sont courants avec les produits actuels.
- Servir en radiomique, c’est-à-dire en extraction des caractéristiques pour améliorer la description des maladies, prédire le comportement des lésions et appuyer la médecine de précision axée sur les besoins de chaque patient.
Les outils d’apprentissage machine seront utilisés de deux façons. Ils seront d’abord intégrés aux appareils d’imagerie des FEO. Par exemple, les outils d’apprentissage machine peuvent détecter les hémorragies intracrâniennes aiguës chez les patients qui subissent un examen de TDM ou d’IRM en raison d’une altération de leur état mental. L’outil peut alerter le radiologiste de toute anomalie pendant l’examen. Ils seront également intégrés aux postes de lecture. Tout comme nous utilisons des outils de reconstruction multiplanaires ou en 3D, nous pouvons faire appel aux outils d’apprentissage machine dans certains contexte pour extraire de l’information supplémentaire des images, comme des différences de texture dans les examens d’IRM de glioblastomes pour prédire le sous-type génétique de la tumeur.
Dans de prochains articles, nous discuterons de la conception, de l’évaluation et de la gestion de ces outils par les radiologistes.