Un nouvel éditorial a été publié dans Oncotarget Volume 15 le 12 novembre 2024, intitulé « Paysages de persistance : tracer la voie vers une interprétation radiologique impartiale ».
Dans cet éditorial, Yashbir Singh, Colleen Farrelly, Quincy A. Hathaway et Gunnar Carlsson du département de radiologie de la Mayo Clinic (Rochester, Minnesota), présentent les paysages de persistance, une méthode mathématique conçue pour lutter contre les biais dans l'imagerie médicale et l'intelligence artificielle ( IA). Les paysages de persistance s'appuient sur des images de persistance, qui suivent la manière dont les modèles de données apparaissent et disparaissent à différentes échelles. En transformant ces données complexes en formes plus simples et plus gérables, les paysages de persistance créent un format facile à analyser et à comparer. Cela en fait un outil précieux pour identifier et corriger les biais en imagerie médicale.
L’imagerie médicale joue un rôle essentiel dans les soins de santé, mais elle n’est pas parfaite. Les biais, causés par les différences en matière d’équipement, de technologie ou même de population de patients, peuvent conduire à des diagnostics inexacts. Les paysages de persistance offrent un moyen d’identifier et de résoudre ces problèmes cachés.
« (…) les paysages de persistance ont le potentiel de jouer un rôle crucial dans l'identification et l'atténuation des biais dans la pratique radiologique, que ces biais proviennent de facteurs démographiques, de variations des équipements ou des limites des algorithmes d'IA. »
Les paysages de persistance sont particulièrement efficaces pour réduire le bruit aléatoire dans les images médicales tout en préservant les détails importants. Cela permet aux cliniciens et aux chercheurs de se concentrer plus facilement sur les parties les plus significatives d’une image. La méthode améliore également les outils d’IA en résolvant des problèmes courants, par exemple lorsque les modèles sont trop concentrés sur des détails spécifiques ou lorsqu’ils manquent des informations importantes. De plus, les paysages de persistance simplifient également l’intégration des données provenant de différents types d’analyses, comme la tomographie par émission de positons (TEP) et l’imagerie par résonance magnétique (IRM), sans introduire de nouvelles erreurs.
Malgré son potentiel, l’utilisation des paysages de persistance dans l’imagerie médicale réelle comporte des défis. Cela nécessite des ordinateurs puissants pour traiter des données volumineuses, ce qui peut s'avérer coûteux et long, ainsi qu'une interprétation experte pour une utilisation significative. De meilleurs outils sont nécessaires pour rendre cette méthode plus accessible aux cliniciens. Bien que l’intégration de cette méthode dans les milieux cliniques demande des efforts, les avantages pourraient être transformateurs. Avec des recherches et des améliorations plus approfondies, les paysages de persistance sont extrêmement prometteurs pour faire progresser les soins de santé équitables.
« Les paysages de persistance représentent un nouvel outil puissant dans nos efforts continus pour parvenir à une interprétation radiologique impartiale et précise. »
