L’intelligence artificielle a le potentiel d’améliorer l’analyse des données d’images médicales. Par exemple, des algorithmes basés sur l’apprentissage profond peuvent déterminer l’emplacement et la taille des tumeurs. C'est le résultat d'AutoPET, un concours international d'analyse d'images médicales, où les chercheurs de l'Institut de technologie de Karlsruhe (KIT) ont été classés cinquièmes. Les sept meilleures équipes autoPET rapportent dans la revue Intelligence des machines naturelles sur la manière dont les algorithmes peuvent détecter les lésions tumorales en tomographie par émission de positons (TEP) et en tomodensitométrie (TDM). (DOI : 10.1038/s42256-024-00912-9)
Les techniques d'imagerie jouent un rôle clé dans le diagnostic du cancer. Déterminer avec précision l’emplacement, la taille et le type des tumeurs est essentiel pour choisir le bon traitement. Les techniques d'imagerie les plus importantes comprennent la tomographie par émission de positons (TEP) et la tomodensitométrie (CT). La TEP utilise des radionucléides pour visualiser les processus métaboliques dans le corps. Le taux métabolique des tumeurs malignes est considérablement plus élevé que celui des tissus bénins. Du glucose radiomarqué, généralement du fluor-18-désoxyglucose (FDG), est utilisé à cette fin. En tomodensitométrie, le corps est scanné couche par couche dans un tube à rayons X pour visualiser l'anatomie et localiser les tumeurs.
L'automatisation peut faire gagner du temps et améliorer l'évaluation
Les patients atteints de cancer présentent parfois des centaines de lésions, c'est-à-dire des modifications pathologiques provoquées par la croissance de tumeurs. Pour obtenir une image uniforme, il est nécessaire de capturer toutes les lésions. Les médecins déterminent la taille des lésions tumorales en marquant manuellement des images de coupes 2D – une tâche extrêmement longue. « Une évaluation automatisée à l'aide d'un algorithme permettrait de gagner énormément de temps et d'améliorer les résultats », explique le professeur Rainer Stiefelhagen, responsable du laboratoire de vision par ordinateur pour l'interaction homme-machine (cv:hci) du KIT.
Rainer Stiefelhagen et Zdravko Marinov, doctorant au cv:hci, ont participé au concours international autoPET en 2022 et sont arrivés cinquièmes sur 27 équipes réunissant 359 participants du monde entier. Les chercheurs de Karlsruhe ont formé une équipe avec le professeur Jens Kleesiek et Lars Heiliger de l'IKIM – Institut pour l'intelligence artificielle en médecine, basé à Essen. Organisé par l'hôpital universitaire de Tübingen et l'hôpital LMU de Munich, autoPET combinait imagerie et apprentissage automatique. La tâche consistait à segmenter automatiquement les lésions tumorales métaboliquement actives visualisées sur une TEP/TDM du corps entier. Pour la formation aux algorithmes, les équipes participantes ont eu accès à un vaste ensemble de données TEP/CT annotées. Tous les algorithmes soumis pour la phase finale du concours sont basés sur des méthodes d'apprentissage profond. Il s’agit d’une variante de l’apprentissage automatique qui utilise des réseaux neuronaux artificiels multicouches pour reconnaître des modèles et des corrélations complexes dans de grandes quantités de données. Les sept meilleures équipes du concours autoPET ont rendu compte des possibilités d'analyse automatisée des données d'images médicales dans le Intelligence des machines naturelles journal.
L'ensemble d'algorithmes excelle dans la détection des lésions tumorales
Comme l’expliquent les chercheurs dans leur publication, un ensemble d’algorithmes les mieux notés s’est révélé supérieur aux algorithmes individuels. L’ensemble des algorithmes est capable de détecter les lésions tumorales de manière efficace et précise. « Alors que les performances des algorithmes dans l'évaluation des données d'image dépendent en partie de la quantité et de la qualité des données, la conception de l'algorithme est un autre facteur crucial, par exemple en ce qui concerne les décisions prises lors du post-traitement de la segmentation prédite. » explique Stiefelhagen. Des recherches supplémentaires sont nécessaires pour améliorer les algorithmes et les rendre plus résistants aux influences externes afin qu’ils puissent être utilisés dans la pratique clinique quotidienne. L’objectif est d’automatiser entièrement l’analyse des données d’images médicales TEP et CT dans un avenir proche.
