Publications

Traitement des images médicales: jusqu’où automatiser ?

25 février 2021

L’IA et plus particulièrement le Deep Learning représente une opportunité grandissante dans l’analyse d’images médicales, soulageant la charge de travail des praticiens.

Au cours de cette dernière décennie, l’analyse d’image médicale a été révolutionnée par le développement de technologies de pointe, telles que la robotique ou l’intelligence artificielle. Jusqu’à aujourd’hui les analyses conventionnelles des images étaient réalisées et interprétées en priorité par des professionnels de la santé. Certains outils peuvent les aider à mieux visualiser une information mais il appartient au praticien de rechercher, d’identifier et de diagnostiquer.

1- Une demande exponentielle d’analyses d’images médicales

Le domaine de l’intelligence artificielle et plus spécifiquement le Deep Learning (un sous-domaine de cette dernière) a permis d’apporter des solutions nouvelles pour résoudre certains problèmes, notamment en “pattern recognition”. Aujourd’hui la demande pour des traitements automatisés d’images médicales est en croissance. À l'heure de la pandémie mondiale de covid-19, l’intelligence artificielle a été fortement sollicitée. Par exemple pour augmenter la rapidité et la fiabilité des diagnostics médicaux. Ou pour optimiser la gestion de flux de patients au sein des hôpitaux. Son utilisation dans le domaine médical peut aider à transformer une très grande variété de secteurs d'activités : de la prise en charge, en passant au diagnostic jusqu’au traitement, mais nous ne nous intéresserons ici qu’au traitement d’images {1}.

Le nombre de patients augmente de pair avec le nombre d’examens médicaux nécessaires pour leur traitement. Cela crée progressivement une disparité entre la demande croissante d’intervention et le nombre relativement constant de docteurs disponibles pour la traiter. Aujourd’hui, le nombre d’images médicales qui doivent être réalisées et traitées rapidement depuis des appareils différents est devenue l’une des problématiques phare de la profession. Néanmoins, l’augmentation de la demande n’est pas le seul facteur explicatif de l’accroissement de cette volumétrie. Le nombre d'images par examen, la sophistication récente des équipements d'imagerie pour le diagnostic et l'augmentation de la résolution des images sont aussi des vecteurs de la croissance du volume d’image à analyser.

 

Dans ces conditions, comment est-il possible de gérer la volumétrie croissante sans pour autant abandonner le contrôle nécessaire des humains sur le diagnostic ?

2- L’intelligence artificielle peut-elle venir assister le personnel médical ?

 

L’IA peut apporter une réponse à ce nouveau goulot d’étranglement dans les processus de santé. En effet, un système d’IA lors de son apprentissage va analyser et croiser les informations issues de chaque image afin d’établir des relations entre ces dernières. Ces relations prennent la forme de motifs (patterns). Cela peut être des similitudes en termes de textures, de localisation, de formes et les couleurs associées à une maladie. Ces similitudes servent ensuite à discriminer la présence ou l’absence d’une pathologie par exemple. S’il est correctement entraîné, le système sera capable de détecter la maladie avec une fiabilité comparable à celle des données sur lequel il a appris. Comme ces données sont généralement issues de professionnels de santé, le système peut avoir des performances comparables sinon meilleures à ceux-ci. En effet, une étude a montré qu’un système de Deep Learning détecte correctement un état pathologique dans 87% des cas contre 86% pour les professionnels de la santé {2}. Cette performance légèrement meilleure vient du fait que le système peut également trouver des motifs nouveaux pour établir son diagnostic. Aujourd’hui, l’analyse d'images médicales réalisée par Deep Learning est utilisée pour trois fonctions majeures : la segmentation sémantique d’items dans les images médicales, la classification et la détection de maladies {3}.                             

L’apparition des technologies d’IA peut donc combler le déficit du nombre de médecins tout en absorbant la croissance du nombre de données à analyser. Cela est d’autant plus urgent que le nombre de professionnels de la santé tend à rester le même voire à décliner dans certains pays, notamment au Royaume-Uni, aux USA ou au Japon {4}. Le Deep Learning dans le domaine de la classification d’images médicales allège donc la charge de travail par exemple des radiologues, puisqu’il permet d'évaluer efficacement un grand nombre d’images pour eux {5}. À ce titre les diagnostics fournis par les algorithmes d’analyse d’images médicales sont souvent utilisés comme une “seconde opinion” par les praticiens. Elles peuvent permettre d’éviter les erreurs d’interprétation humaines lors d’une analyse trop rapide mais aussi de faciliter la prise de décision clinique afin d’améliorer le résultat pour le patient {6}. C’est une aide à la décision pour les praticiens mais n’a nullement vocation à les remplacer.

3- L’IA nous mène t-elle vers une médecine entièrement automatisée ?

Bien que les progrès offerts par le développement des outils de Deep Learning aient eu un immense impact sur la profession et est souvent perçue comme “une médecine automatisée”, beaucoup de spécialistes s’accordent à dire que ces outils technologiques ne remplaceront pas le corps médical et cela pour plusieurs raisons {7}. Premièrement, les algorithmes CAD (computer-aided detection) sont confrontés à un manque de généralisation et ne peuvent être réellement efficaces seulement dans la tâche pour laquelle ils ont été implémentés. Afin de satisfaire toutes les tâches liées à la médecine, il faudrait presque autant d’algorithmes que de pathologies, voire même de patients.

La complexité est pour l’heure bien trop importante pour être réalisable. La seconde problématique provient de ce que le corps médical appelle le “besoin humain”. En effet, les systèmes d’IA peinent encore à mimer les émotions humaines telles que l’empathie et la compassion, pourtant essentielles au domaine médical pour mieux comprendre le patient et sa problématique. 

La complexité et la diversité des cas que doit traiter la profession médicale reste encore trop vaste pour les outils de Deep Learning. De part sa pluralité et son “need for a human touch” la profession sera cependant considérablement impactée par de nouvelles méthodes de travail où les IA viendront assister les praticiens. Et cela en leur fournissant des résultats d’analyses rapidement et avec suffisamment de précision pour être utilisés dans leur quotidien.

 

 

Numalis

We are a French innovative software editor company providing tools and services to make your neural networks reliable and explainable.

Contact us

Follow us