La détection du mélanome et une gamme d'autres maladies de la peau seront plus rapides et plus précises avec un nouvel outil alimenté en intelligence artificielle (IA) qui analyse simultanément plusieurs types d'imagerie.
Des chercheurs de l'Université du Queensland, dont les professeurs H. Peter Soyer et Monika Janda, faisaient partie d'une équipe dirigée par l'Université de Monash qui a développé l'outil, ce qui a amélioré la précision du diagnostic du cancer de la peau de 11% lorsqu'ils étaient utilisés par les dermatologues dans une étude de lecteur.
«Panderm» analyse plusieurs types d'images, y compris des photos en gros plan, des images dermoscopiques, des diapositives de pathologie et des photographies totales du corps.
Une série d'évaluations a montré que le modèle a aidé les professionnels des soins de santé non liés à l'amélioration de la précision de diagnostic sur diverses autres conditions cutanées de 16,5%.
Il pourrait également aider les cliniciens à détecter tôt le cancer de la peau, identifiant potentiellement les changements avant la détection des cliniciens.
Le professeur SOYER a déclaré que l'outil pourrait être particulièrement précieux dans les paramètres occupés ou limités en ressources, ou dans les soins primaires où l'accès aux dermatologues peut être limité.
Des différences dans les techniques d'imagerie et de diagnostic peuvent survenir en raison de différents niveaux de ressources disponibles dans les espaces de santé urbains, régionaux et ruraux.
La force du Panderm réside dans sa capacité à soutenir les flux de travail cliniques existants.
Nous avons vu que l'outil a également pu fonctionner fortement même lorsqu'il est formé sur une petite quantité de données étiquetées, un avantage clé dans divers paramètres médicaux où les données annotées standard sont souvent limitées. «
Professeur H. Peter SOYER
Formées sur plus de deux millions d'images de peau, les données du modèle provenaient de 11 institutions dans plusieurs pays, sur 4 types d'images médicales.
Le premier auteur et doctorant Siyuan Yan de l'Université Monash a déclaré que l'approche multimodale était la clé du succès du système.
« En entraînant Panderm sur diverses données de différentes techniques d'imagerie, nous avons créé un système qui peut comprendre les conditions cutanées comme le font les dermatologues; en synthétisant les informations provenant de diverses sources visuelles », a déclaré M. Yan.
Les conditions cutanées ayant désormais un impact sur 70% de la population mondiale, un diagnostic précoce et précis est crucial et peut conduire à de meilleurs résultats de traitement.
Contrairement aux modèles actuels, qui sont formés pour effectuer une seule tâche, Panderm a été évalué sur un large éventail de tâches cliniques telles que le dépistage du cancer de la peau, la prédiction des risques de retour ou de propagation du cancer, d'évaluation du type de peau, de comptage des taupes, de changements de lésion, de diagnostic d'un large éventail de conditions de peau et de lésions segmentant.
Le directeur des services du mélanome victorien d'Alfred Health, le professeur Victoria Mar, a déclaré que Panderm s'est révélé prometteur en aidant à détecter les changements subtils des lésions au fil du temps et à fournir des indices sur la biologie des lésions et le potentiel métastatique futur.
« Ce type d'assistance pourrait soutenir un diagnostic plus précoce et une surveillance plus cohérente pour les patients à haut risque de mélanome », a déclaré le professeur Mar.
« Dans les hôpitaux du monde réel ou les milieux de la clinique, les médecins utilisent diverses façons et différents types d'images pour diagnostiquer le cancer de la peau ou d'autres affections cutanées. »
Bien que montrant des résultats de recherche prometteurs, Panderm est actuellement dans la phase d'évaluation avant la mise en œuvre des soins de santé plus large.
L'équipe prévoit d'établir des protocoles standardisés pour les évaluations inter-démographiques et d'étudier plus avant les performances du modèle dans des contextes cliniques variés, en mettant particulièrement l'accent sur la garantie de performance équitable entre les différentes populations de patients et les environnements de soins de santé.
La recherche dirigée par l'IA et les experts de l'apprentissage automatique de l'Université Monash ont également inclus une collaboration avec des chercheurs et des cliniciens de l'hôpital Princess Alexandra de Brisbane, Alfred Health, Université médicale de Vienne, Nvidia AI Technology Center à Singapour, Université d'Elicante, Royal Prince Alfred Hospital, NSW Health Pathology et Hospital General Universitaro de Alicanti en Espagne.
La recherche est publiée dans Médecine de la nature.
