Une équipe interdisciplinaire de chercheurs de l’Université de Waterloo a développé une méthode plus fiable pour diagnostiquer des maladies telles que la COVID-19, la pneumonie et le mélanome à l’aide d’outils d’intelligence artificielle (IA).
Crédit d’image : Université de Waterloo
Alexander Wong, professeur d’ingénierie à Waterloo, s’est associé à d’autres chercheurs de l’université, de l’Université McGill et du Conseil national de recherches du Canada pour développer une nouvelle méthode visant à soutenir les médecins en améliorant le diagnostic assisté par ordinateur grâce à l’apprentissage en profondeur.
Les chercheurs ont créé un système qu’ils ont baptisé Trustworthy Deep Learning Framework for Medical Image Analysis (TRUDLMIA), qui exploite la puissance de l’apprentissage supervisé et auto-supervisé de l’IA qui vise à ouvrir la voie à des progrès dans des modèles de soins de santé hautement performants et fiables.
Les modèles employant l’approche TRUDLMIA surpassent ceux existants dans diverses tâches, excellant dans le diagnostic du COVID-19, de la pneumonie et du mélanome, surpassant les modèles spécifiquement conçus pour ces tâches en termes de performances et de confiance. Le système proposé est en cours de développement pour faire face aux futures pandémies et syndromes, y compris les effets à long terme associés au COVID-19.
Dr Alexander Wong, chef de projet, Chaire de recherche du Canada en imagerie médicale et intelligence artificielle
L’imagerie médicale et l’apprentissage profond peuvent améliorer l’IA médicale en facilitant le diagnostic, la prédiction et le pronostic. À ce jour, un problème clé dans l’utilisation de l’apprentissage profond pour l’analyse d’images médicales a été la présence de biais dans les données, le manque de confiance et de responsabilité, ainsi que les difficultés d’interprétation des données existantes.
L’innovation de TRUDLMIA fonctionne en trois étapes pour entraîner le système d’IA. Premièrement, il apprend à partir d’un très grand ensemble de données générales étiquetées dans un processus de pré-formation, après quoi il apprend à la fois à partir de données générales et de données spécifiques à un domaine (par exemple, des données médicales) sans étiquettes dans un processus d’apprentissage auto-supervisé. Enfin, il affine l’IA avec des données étiquetées spécifiques à une tâche (par exemple, des données de diagnostic clinique) avec un objectif particulier axé sur la gestion des déséquilibres et des biais des données et sur l’amélioration de la fiabilité de l’IA.
« TRUDLMIA, développé en collaboration avec des médecins, est sur le point de transformer l’analyse d’images médicales», a déclaré le collaborateur Dr Pengcheng Xi, agent de recherche principal au Conseil national de recherches du Canada. « En mettant l’accent sur l’amélioration de la précision du diagnostic, le renforcement de la confiance et l’adaptation entre les spécialisations médicales, TRUDLMIA aspire à être un allié des médecins, à fournir des interventions rapides aux patients et à soutenir les soignants grâce à des soins préventifs..»
