L’IA va-t-elle remplacer les radiologues ?

Original article was published on Deep Learning on Medium

L’application de modèles mathématiques pour résoudre des problèmes médicaux a commencé dés les années 60, parallèlement au développement de la capacité de calcul des ordinateurs et de la quantité de données disponibles. Car durant cette même période, la médecine perd en partie sa dimension artistique, appuyée sur l’expérience du praticien, pour favoriser les données les plus actuelles de la science, issues de la recherche, afin d’arriver à un idéal de médecine reproductible, basé sur des preuves. Le fait que l’EBM (Evidence-Based Medicine, ou médecine fondée sur les faits en français) devienne le paradigme dominant dans la médecine occidentale permet de faire de la médecine une discipline technique, par définition reproductible par des machines.

Il existait deux principales écoles au sujet de l’IA dans la reconnaissance d’image : la première est basée sur des équations mathématiques décrivant les caractéristiques de l’objet à reconnaitre (comme une tumeur à l’imagerie) écrites par des ingénieurs, qui vont pouvoir être quantifiées à l’aide d’un ordinateur. Si ces caractéristiques sont certes perçues comme discriminantes, elles sont basées sur une approche humaine, et ne sont pas forcément optimales.

La seconde méthode, le deep-learning, a joui d’une attention et d’un développement considérable ces dernières années. En effet, les algorithmes de deep-learning peuvent apprendre d’elles même les caractéristiques représentant l’objet en question sans l’aide de modèles mathématiques humain. Cette approche basée sur des grandes quantités de données ingurgitées par un algorithme de machine-learning, lui même basé sur une structure en réseau de neurone, inspiré par le cerveau humain, permet une abstraction des caractéristiques définissant l’objet à reconnaitre et ainsi peut s’appliquer à une large variété de conditions cliniques et de paramètres. D’une certaine façon, l’IA deep-learning, comme un radiologue, identifie l’image et pondère l’importance de certains paramètres avec d’autres pour arriver à la décision clinique.

Plusieurs études ont comparé des IA deep-learning entrainées pour analyser des images avec des radiologues et ont trouvé des performances comparables sur la discrimination des différents tissus à l’échographie et à l’IRM. Les applications cliniques existent déjà, produites par des entreprises comme Arterys voulant faire rentrer l’IA auprès des radiologues en utilisant le cloud, qui commercialise déjà une IA d’aide à la décision sur les examens d’IRM cardiaque.