{"id":7015,"date":"2021-02-25T16:03:00","date_gmt":"2021-02-25T15:03:00","guid":{"rendered":"https:\/\/numalis.com\/?p=7015"},"modified":"2025-01-15T08:51:20","modified_gmt":"2025-01-15T07:51:20","slug":"traitement-des-images-medicales-jusquou-automatiser","status":"publish","type":"post","link":"https:\/\/numalis.com\/fr\/traitement-des-images-medicales-jusquou-automatiser\/","title":{"rendered":"Traitement des images m\u00e9dicales: jusqu\u2019o\u00f9 automatiser ?"},"content":{"rendered":"\n

L’IA et plus particuli\u00e8rement le Deep Learning repr\u00e9sente une opportunit\u00e9 croissante dans le secteur de la sant\u00e9<\/a>, et plus particuli\u00e8rement dans l’analyse des images m\u00e9dicales, soulageant ainsi la charge de travail des praticiens.<\/p>\n\n\n\n

Au cours de cette derni\u00e8re d\u00e9cennie, l\u2019analyse d\u2019image m\u00e9dicale a \u00e9t\u00e9 r\u00e9volutionn\u00e9e par le d\u00e9veloppement de technologies de pointe, telles que la robotique ou l\u2019intelligence artificielle. Jusqu\u2019\u00e0 aujourd\u2019hui les analyses conventionnelles des images \u00e9taient r\u00e9alis\u00e9es et interpr\u00e9t\u00e9es en priorit\u00e9 par des professionnels de la sant\u00e9. Certains outils peuvent les aider \u00e0 mieux visualiser une information mais il appartient au praticien de rechercher, d\u2019identifier et de diagnostiquer.<\/p>\n\n\n\n

Une demande exponentielle pour l’analyse d’images m\u00e9dicales<\/h2>\n\n\n\n

Cependant, le domaine de l\u2019intelligence artificielle et plus sp\u00e9cifiquement le Deep Learning (un sous-domaine de cette derni\u00e8re) a permis d\u2019apporter des solutions nouvelles pour r\u00e9soudre certains probl\u00e8mes, notamment en \u201cpattern recognition\u201d. <\/p>\n\n\n\n

Aujourd\u2019hui la demande pour des traitements automatis\u00e9s d\u2019images m\u00e9dicales est en croissance. \u00c0 l’heure de la pand\u00e9mie mondiale de covid-19, l\u2019intelligence artificielle a \u00e9t\u00e9 fortement sollicit\u00e9e. Par exemple pour augmenter la rapidit\u00e9 et la fiabilit\u00e9 des diagnostics m\u00e9dicaux. Ou pour optimiser la gestion de flux de patients au sein des h\u00f4pitaux. Son utilisation dans le domaine m\u00e9dical peut aider \u00e0 transformer une tr\u00e8s grande vari\u00e9t\u00e9 de secteurs d’activit\u00e9s : de la prise en charge, en passant au diagnostic jusqu\u2019au traitement, mais nous ne nous int\u00e9resserons ici qu\u2019au traitement d\u2019images1<\/a><\/sup>.<\/p>\n\n\n\n

Le nombre de patients augmente de pair avec le nombre d\u2019examens m\u00e9dicaux n\u00e9cessaires pour leur traitement. Cela cr\u00e9e progressivement une disparit\u00e9 entre la demande croissante d\u2019intervention et le nombre relativement constant de docteurs disponibles pour la traiter.<\/p>\n\n\n\n

Aujourd\u2019hui, le nombre d\u2019images m\u00e9dicales qui doivent \u00eatre r\u00e9alis\u00e9es et trait\u00e9es rapidement depuis des appareils diff\u00e9rents est devenue l\u2019une des probl\u00e9matiques phare de la profession. N\u00e9anmoins, l\u2019augmentation de la demande n\u2019est pas le seul facteur explicatif de l\u2019accroissement de cette volum\u00e9trie. Le nombre d’images par examen, la sophistication r\u00e9cente des \u00e9quipements d’imagerie pour le diagnostic et l’augmentation de la r\u00e9solution des images sont aussi des vecteurs de la croissance du volume d\u2019image \u00e0 analyser.<\/p>\n\n\n\n

Dans ces conditions, comment est-il possible de g\u00e9rer la volum\u00e9trie croissante sans pour autant abandonner le contr\u00f4le n\u00e9cessaire des humains sur le diagnostic ?<\/p>\n\n\n\n

L’intelligence artificielle peut-elle aider le personnel m\u00e9dical ?<\/h2>\n\n\n\n

L\u2019IA peut apporter une r\u00e9ponse \u00e0 ce nouveau goulot d\u2019\u00e9tranglement dans les processus de sant\u00e9. En effet, un syst\u00e8me d\u2019IA lors de son apprentissage va analyser et croiser les informations issues de chaque image afin d\u2019\u00e9tablir des relations entre ces derni\u00e8res. Ces relations prennent la forme de motifs (patterns). Cela peut \u00eatre des similitudes en termes de textures, de localisation, de formes et les couleurs associ\u00e9es \u00e0 une maladie. Ces similitudes servent ensuite \u00e0 discriminer la pr\u00e9sence ou l\u2019absence d\u2019une pathologie par exemple. S\u2019il est correctement entra\u00een\u00e9, le syst\u00e8me sera capable de d\u00e9tecter la maladie avec une fiabilit\u00e9 comparable \u00e0 celle des donn\u00e9es sur lequel il a appris. Comme ces donn\u00e9es sont g\u00e9n\u00e9ralement issues de professionnels de sant\u00e9, le syst\u00e8me peut avoir des performances comparables sinon meilleures \u00e0 ceux-ci. <\/p>\n\n\n\n

En effet, une \u00e9tude a montr\u00e9 qu\u2019un syst\u00e8me de Deep Learning d\u00e9tecte correctement un \u00e9tat pathologique dans 87% des cas contre 86% pour les professionnels de la sant\u00e92<\/a><\/sup>. Cette performance l\u00e9g\u00e8rement meilleure vient du fait que le syst\u00e8me peut \u00e9galement trouver des motifs nouveaux pour \u00e9tablir son diagnostic.<\/p>\n\n\n\n

Aujourd\u2019hui, l\u2019analyse d’images m\u00e9dicales r\u00e9alis\u00e9e par Deep Learning est utilis\u00e9e pour trois fonctions majeures : la segmentation s\u00e9mantique d\u2019items dans les images m\u00e9dicales, la classification et la d\u00e9tection de maladies3<\/a><\/sup>. L\u2019apparition des technologies d\u2019IA peut donc combler le d\u00e9ficit du nombre de m\u00e9decins tout en absorbant la croissance du nombre de donn\u00e9es \u00e0 analyser. Cela est d\u2019autant plus urgent que le nombre de professionnels de la sant\u00e9 tend \u00e0 rester le m\u00eame voire \u00e0 d\u00e9cliner dans certains pays, notamment au Royaume-Uni, aux USA ou au Japon4<\/a><\/sup>. <\/p>\n\n\n\n

Le Deep Learning dans le domaine de la classification d\u2019images m\u00e9dicales all\u00e8ge donc la charge de travail par exemple des radiologues, puisqu\u2019il permet d’\u00e9valuer efficacement un grand nombre d\u2019images pour eux5<\/a><\/sup>. \u00c0 ce titre les diagnostics fournis par les algorithmes d\u2019analyse d\u2019images m\u00e9dicales sont souvent utilis\u00e9s comme une \u201cseconde opinion\u201d par les praticiens. Elles peuvent permettre d\u2019\u00e9viter les erreurs d\u2019interpr\u00e9tation humaines lors d\u2019une analyse trop rapide mais aussi de faciliter la prise de d\u00e9cision clinique afin d\u2019am\u00e9liorer le r\u00e9sultat pour le patient6<\/a><\/sup>. C\u2019est une aide \u00e0 la d\u00e9cision pour les praticiens mais n\u2019a nullement vocation \u00e0 les remplacer.<\/p>\n\n\n\n

L’IA nous conduit-elle vers une m\u00e9decine enti\u00e8rement automatis\u00e9e ?<\/h2>\n\n\n\n

Bien que les progr\u00e8s offerts par le d\u00e9veloppement des outils de Deep Learning aient eu un immense impact sur la profession et est souvent per\u00e7ue comme \u201cune m\u00e9decine automatis\u00e9e\u201d, beaucoup de sp\u00e9cialistes s\u2019accordent \u00e0 dire que ces outils technologiques ne remplaceront pas le corps m\u00e9dical et cela pour plusieurs raisons7<\/a><\/sup>. <\/p>\n\n\n\n

Premi\u00e8rement, les algorithmes CAD (computer-aided detection) sont confront\u00e9s \u00e0 un manque de g\u00e9n\u00e9ralisation et ne peuvent \u00eatre r\u00e9ellement efficaces seulement dans la t\u00e2che pour laquelle ils ont \u00e9t\u00e9 impl\u00e9ment\u00e9s. Afin de satisfaire toutes les t\u00e2ches li\u00e9es \u00e0 la m\u00e9decine, il faudrait presque autant d\u2019algorithmes que de pathologies, voire m\u00eame de patients. La complexit\u00e9 est pour l\u2019heure bien trop importante pour \u00eatre r\u00e9alisable. <\/p>\n\n\n\n

La seconde probl\u00e9matique provient de ce que le corps m\u00e9dical appelle le \u201cbesoin humain\u201d. En effet, les syst\u00e8mes d\u2019IA peinent encore \u00e0 mimer les \u00e9motions humaines telles que l\u2019empathie et la compassion, pourtant essentielles au domaine m\u00e9dical pour mieux comprendre le patient et sa probl\u00e9matique.<\/p>\n\n\n\n

La complexit\u00e9 et la diversit\u00e9 des cas que doit traiter la profession m\u00e9dicale reste encore trop vaste pour les outils de Deep Learning. De part sa pluralit\u00e9 et son \u201cneed for a human touch\u201d la profession sera cependant consid\u00e9rablement impact\u00e9e par de nouvelles m\u00e9thodes de travail o\u00f9 les IA viendront assister les praticiens. Et cela en leur fournissant des r\u00e9sultats d\u2019analyses rapidement et avec suffisamment de pr\u00e9cision pour \u00eatre utilis\u00e9s dans leur quotidien.<\/p>\n\n\n\n

Sources<\/h2>\n\n\n
  1. The rise of artificial intelligence in healthcare applications – PMC<\/a> \u21a9\ufe0e<\/a><\/li>
  2. AI just as effective as clinicians in diagnostics, study suggests | Healthcare Dive<\/a> \u21a9\ufe0e<\/a><\/li>
  3. A review of the application of deep learning in medical image classification and segmentation – PMC<\/a> \u21a9\ufe0e<\/a><\/li>
  4. Understanding differences in health expenditure between the United States and OECD countries<\/a> \u21a9\ufe0e<\/a><\/li>
  5. Freenome<\/a> \u21a9\ufe0e<\/a><\/li>
  6. Deep Learning Can Be Useful in Eliminating Shortage of Cancer Doctors | Analytics Insight<\/a> \u21a9\ufe0e<\/a><\/li>
  7. AI Will Change Radiology, but It Won\u2019t Replace Radiologists<\/a> \u21a9\ufe0e<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"

    L’IA et plus particuli\u00e8rement le Deep Learning repr\u00e9sente une opportunit\u00e9 croissante dans le secteur de la sant\u00e9, et plus particuli\u00e8rement dans l’analyse des images m\u00e9dicales, soulageant ainsi la charge de travail des praticiens. Au cours de cette derni\u00e8re d\u00e9cennie, l\u2019analyse d\u2019image m\u00e9dicale a \u00e9t\u00e9 r\u00e9volutionn\u00e9e par le d\u00e9veloppement de technologies de pointe, telles que la […]<\/p>\n","protected":false},"author":8,"featured_media":7018,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"none","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"[{\"content\":\"The rise of artificial intelligence in healthcare applications - PMC<\/a>\",\"id\":\"dcee1634-1e89-4527-90d5-92c733f03e55\"},{\"content\":\"AI just as effective as clinicians in diagnostics, study suggests | Healthcare Dive<\/a>\",\"id\":\"4d5bda42-730a-445c-8e1a-74e3dbb4f55c\"},{\"content\":\"A review of the application of deep learning in medical image classification and segmentation - PMC<\/a>\",\"id\":\"e390d507-9f9a-4a38-a11b-d44891251a09\"},{\"content\":\"Understanding differences in health expenditure between the United States and OECD countries<\/a>\",\"id\":\"5c705022-0b29-463d-85c4-1cf601323296\"},{\"content\":\"Freenome<\/a>\",\"id\":\"21457c3c-9a43-4729-9a03-c6a4e4bec9d8\"},{\"content\":\"Deep Learning Can Be Useful in Eliminating Shortage of Cancer Doctors | Analytics Insight<\/a>\",\"id\":\"cac62b46-6bda-4159-9bd9-97ffc6bf00aa\"},{\"content\":\"AI Will Change Radiology, but It Won\u2019t Replace Radiologists<\/a>\",\"id\":\"4cd30a9f-eafe-4819-905b-cfc8242bf645\"}]"},"categories":[149],"tags":[193,162],"class_list":["post-7015","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia-et-industrie","tag-healthcare-fr","tag-vision-par-ordinateur"],"acf":[],"_links":{"self":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts\/7015","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/comments?post=7015"}],"version-history":[{"count":0,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts\/7015\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/media\/7018"}],"wp:attachment":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/media?parent=7015"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/categories?post=7015"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/tags?post=7015"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}