Des chercheurs de l'Université de Southampton ont développé un outil d'intelligence artificielle (IA) capable de repérer mieux que les radiologues experts les objets difficiles à voir logés dans les voies respiratoires des patients.
Dans une étude publiée dans npj Médecine numérique, le modèle d'IA a surpassé les radiologues dans la vérification des tomodensitogrammes pour les objets qui n'apparaissent pas bien sur les scans.
Ces objets inhalés accidentellement peuvent provoquer de la toux, un étouffement, des difficultés respiratoires et parfois entraîner des complications plus graves s'ils ne sont pas traités correctement.
Les résultats mettent en évidence la manière dont l’IA peut aider les médecins à diagnostiquer des pathologies complexes et potentiellement mortelles.
La recherche a été dirigée par le Dr Yihua Wang, le Dr Zehor Belkhatir et le professeur Rob Ewing de l'Université de Southampton en partenariat avec des chercheurs de Wuhan, en Chine.
« Ces objets peuvent être extrêmement subtils et faciles à manquer, même pour des cliniciens expérimentés », a déclaré le chercheur Zhe Chen, co-premier auteur de l'étude de l'Université de Southampton.
« Notre modèle d'IA agit comme une deuxième paire d'yeux, aidant les radiologues à détecter ces cas cachés plus tôt et de manière plus fiable. »
L'aspiration de corps étrangers (FBA) se produit lorsqu'un objet, souvent de la nourriture ou un petit morceau de matériau, se loge dans les voies respiratoires.
Lorsque les objets, tels que des matières végétales ou des coquilles d’écrevisses, sont radiotransparents (invisibles aux rayons X et faibles même au scanner), ils peuvent être très difficiles à détecter. Cela conduit souvent à des diagnostics manqués ou retardés, exposant les patients à un risque de complications graves. Jusqu'à 75 pour cent des cas de FBA chez les adultes impliquent des corps étrangers radiotransparents.
Pour relever ce défi, l’équipe de recherche a créé un modèle d’apprentissage profond. Il combine une technique de cartographie des voies respiratoires de haute précision (MedpSeg) avec un réseau neuronal qui analyse les images CT à la recherche de signes cachés de corps étrangers.
Le modèle a été formé et testé auprès de trois groupes de patients indépendants, composés de plus de 400 patients, en collaboration avec des hôpitaux chinois.
Pour tester le modèle, les chercheurs ont comparé ses performances à celles de trois radiologues experts, chacun possédant plus de dix ans d’expérience clinique. La tâche consistait à examiner 70 tomodensitogrammes, dont 14 étaient des cas de FBA radiotransparents, confirmés par bronchoscopie.
Lorsque les radiologues ont détecté un cas de FBA radiotransparent, ils l’ont fait avec une précision totale : il n’y a eu aucun faux positif. En comparaison, le modèle d’IA l’a fait avec une précision de 77 %, détectant certains faux positifs.
Cependant, les radiologues ont manqué une grande partie des cas FBA, n’en identifiant que 36 pour cent et soulignant la difficulté qu’ont les humains à repérer de tels cas. Le modèle d’IA, en revanche, a pu détecter 71 % des cas, ce qui signifie que beaucoup moins de cas Expédié par Amazon sont passés entre les mailles du filet.
Dans le score F1, qui équilibre précision et rappel, le modèle a surpassé les radiologues avec un score de 74 pour cent contre 53 pour cent.
Les résultats démontrent le potentiel réel de l’IA en médecine, en particulier pour les affections difficiles à diagnostiquer par l’imagerie standard. »
M. Yihua Wang, auteur important de l'étude
Les chercheurs soulignent que le système est conçu pour aider, et non pour remplacer, les radiologues, offrant ainsi un niveau de confiance supplémentaire dans les cas complexes ou incertains.
Les chercheurs visent désormais à mener des études multicentriques auprès de populations plus vastes et plus diversifiées pour améliorer le modèle et réduire le risque de biais.
Le papier Détection automatisée de l'aspiration de corps étrangers radiotransparents sur la tomodensitométrie thoracique à l'aide du Deep Learning est publié dans npj Médecine Numérique et est disponible en ligne.
La recherche a été soutenue par le Conseil britannique de la recherche médicale et le China Scholarship Council.
