{vembed Y=urJ7QEdhP_U}
Une nouvelle étude révèle qu'un outil d'intelligence artificielle, formé sur environ un million d'images de mammographie de dépistage, peut identifier le cancer du sein avec une précision d'environ 90% lorsqu'il est combiné avec une analyse radiologique.
L'étude a examiné la capacité d'un type d'intelligence artificielle (IA), un programme informatique d'apprentissage automatique, à ajouter de la valeur aux diagnostics qu'un groupe de 14 radiologues a atteints lors de leur examen 720 mammographie images.
"Le but ultime de notre travail est d'augmenter, et non de remplacer, les radiologues humains."
"Notre étude a révélé que l'IA a identifié des schémas liés au cancer dans les données que les radiologues ne pouvaient pas, et vice versa", explique Krzysztof Geras, auteur principal de l'étude, professeur adjoint au département de radiologie de la Grossman School of Medicine de l'Université de New York.
"L'IA a détecté des changements au niveau des pixels dans les tissus invisibles à l'œil humain, tandis que les humains ont utilisé des formes de raisonnement qui ne sont pas disponibles pour l'IA", ajoute Geras, également membre du corps professoral affilié au Center for Data Science. "Le but ultime de notre travail est d'augmenter, et non de remplacer, les radiologues humains."
En 2014, les femmes (sans symptômes) aux États-Unis ont subi plus de 39 millions d'examens de mammographie pour dépister le cancer du sein et déterminer la nécessité d'un suivi plus étroit. Les femmes dont les résultats des tests donnent des résultats de mammographie anormaux sont référées pour biopsie, une procédure qui retire un petit échantillon de tissu mammaire pour les tests de laboratoire.
L'outil d'IA a appris à prédire quelles lésions étaient probablement malignes (carte de chaleur rouge) ou probablement bénignes (carte de chaleur verte), avec le potentiel d'aider les radiologues dans le diagnostic du cancer du sein. (Crédit: NYU School of Medicine)
Dans la nouvelle étude, l'équipe de recherche a conçu des techniques statistiques qui permettent à leur programme «d'apprendre» comment s'améliorer dans une tâche sans qu'on leur dise exactement comment. De tels programmes construisent des modèles mathématiques qui permettent la prise de décision basée sur des exemples de données qui leur sont fournis, le programme devenant «plus intelligent» alors qu'il examine de plus en plus de données.
Les approches modernes de l'IA, qui s'inspirent du cerveau humain, utilisent des circuits complexes pour traiter les informations en couches, chaque étape introduisant des informations dans la suivante et attribuant plus ou moins d'importance à chaque élément d'information en cours de route.
Les auteurs de la présente étude ont formé leur outil d'IA sur de nombreuses images correspondant aux résultats des biopsies effectuées dans le passé. Leur objectif était de permettre à l'outil d'aider les radiologues à réduire le nombre de biopsies nécessaires pour aller de l'avant. Cela ne peut être atteint, dit Geras, qu'en augmentant la confiance que les médecins ont dans l'exactitude des évaluations faites pour les examens de dépistage (par exemple, en réduisant faux positif et faux négatifs).
Pour la présente étude, l'équipe de recherche a analysé les images collectées dans le cadre des soins cliniques de routine pendant sept ans, passant en revue les données collectées et connectant les images aux résultats de la biopsie. Cet effort a créé un ensemble de données extraordinairement important pour leur outil d'IA, selon les auteurs, composé de 229,426 1,001,093 examens de mammographie de dépistage numérique et de 10,000 XNUMX XNUMX images. La plupart des bases de données utilisées par les chercheurs dans les études à ce jour ont été limitées à XNUMX XNUMX images ou moins.
Ainsi, les chercheurs ont formé leur réseau neuronal en le programmant pour analyser des images de la base de données pour lesquelles des diagnostics de cancer avaient déjà été déterminés. Cela signifiait que les chercheurs connaissaient la «vérité» pour chaque image mammographique (cancer ou non) alors qu'ils testaient la précision de l'outil, tandis que l'outil devait deviner. Les chercheurs ont mesuré la précision de la fréquence des prédictions correctes.
En outre, les chercheurs ont conçu le modèle d'étude AI pour considérer d'abord de très petites parcelles de l'image en pleine résolution séparément pour créer une carte thermique, une image statistique de la probabilité de maladie. Ensuite, le programme considère le sein entier pour les caractéristiques structurelles liées au cancer, en accordant une plus grande attention aux zones signalées dans la carte thermique au niveau des pixels.
Plutôt que de demander aux chercheurs d'identifier les caractéristiques d'image à rechercher par leur IA, l'outil découvre par lui-même quelles caractéristiques d'image augmentent la précision des prédictions. À l'avenir, l'équipe prévoit d'augmenter encore cette précision en formant le programme d'IA sur davantage de données, peut-être même en identifiant les changements dans les tissus mammaires qui ne sont pas encore cancéreux mais qui pourraient l'être.
«La transition vers la prise en charge de l'IA en radiologie diagnostique devrait se dérouler comme l'adoption de voitures autonomes - lentement et soigneusement, instaurant la confiance et améliorant les systèmes en cours de route en mettant l'accent sur la sécurité», explique le premier auteur Nan Wu, doctorant à le Center for Data Science.
L'étude apparaît dans Transactions de l'IEEE sur l'imagerie médicale.
À propos de l’auteur
L'auteur principal de l'étude, Krzysztof Geras, est professeur adjoint au département de radiologie de la Grossman School of Medicine de l'Université de New York.
D'autres coauteurs viennent de NYU, du SUNY Downstate College of Medicine, de l'Université de Cambridge et de l'Université Jagiellonian.
Le soutien pour le travail est venu, en partie, des National Institutes of Health. Le modèle utilisé dans cette étude a été mis à la disposition du terrain pour stimuler l'innovation.
Livres connexes:
Le corps garde le score : le cerveau, l'esprit et le corps dans la guérison des traumatismes
par Bessel van der Kolk
Ce livre explore les liens entre les traumatismes et la santé physique et mentale, offrant des idées et des stratégies de guérison et de rétablissement.
Cliquez pour plus d'informations ou pour commander
Souffle: la nouvelle science d'un art perdu
par James Nestor
Ce livre explore la science et la pratique de la respiration, offrant des idées et des techniques pour améliorer la santé physique et mentale.
Cliquez pour plus d'informations ou pour commander
Le paradoxe végétal : les dangers cachés des aliments « sains » qui causent des maladies et une prise de poids
par Steven R. Gundry
Ce livre explore les liens entre l'alimentation, la santé et la maladie, offrant des idées et des stratégies pour améliorer la santé et le bien-être en général.
Cliquez pour plus d'informations ou pour commander
Le code de l'immunité : le nouveau paradigme de la vraie santé et de l'anti-âge radical
par Joel Greene
Ce livre offre une nouvelle perspective sur la santé et l'immunité, s'appuyant sur les principes de l'épigénétique et offrant des idées et des stratégies pour optimiser la santé et le vieillissement.
Cliquez pour plus d'informations ou pour commander
Le guide complet du jeûne : Guérissez votre corps grâce au jeûne intermittent, alterné et prolongé
par le Dr Jason Fung et Jimmy Moore
Ce livre explore la science et la pratique du jeûne en offrant des idées et des stratégies pour améliorer la santé et le bien-être en général.
