Un nouveau modèle d’IA pourrait aider les radiologues à identifier les anomalies cérébrales lors des examens IRM pour toutes les pathologies, notamment les accidents vasculaires cérébraux, la sclérose en plaques et les tumeurs cérébrales.
L'étude, dirigée par des chercheurs du King's College de Londres et publiée dans IA de radiologiemontre comment l'IA pourrait remédier aux retards croissants dus à la pénurie de radiologues ainsi qu'à une demande croissante d'IRM d'année en année depuis plus d'une décennie.
Ces retards pourraient entraîner des retards de traitement et de moins bons résultats pour les patients, car les examens IRM sont essentiels au diagnostic et à la surveillance de diverses affections cérébrales telles que les tumeurs, les accidents vasculaires cérébraux et les anévrismes.
L’IA pourrait contribuer à alléger la pression sur les services de radiologie en triant les examens et en augmentant la vitesse de reporting.
Pour ce faire, il a d'abord été demandé au modèle de faire la distinction entre les examens « normaux » et « anormaux », ce qu'il a fait avec précision par rapport aux évaluations effectuées par des radiologues experts.
Il a ensuite été testé dans des conditions spécifiques – à l'aide de nouveaux examens IRM qui n'étaient pas inclus dans les données d'entraînement – telles qu'un accident vasculaire cérébral, la sclérose en plaques et des tumeurs cérébrales, et a pu les reconnaître avec précision.
La plupart des modèles d'IA sont actuellement construits avec de grands ensembles de données, étiquetés manuellement par des radiologues experts, dont la production est coûteuse et prend du temps.
Pour surmonter ce problème, l’équipe a construit un modèle d’IA qui s’est entraîné – sans avoir recours à des radiologues experts – sur plus de 60 000 IRM cérébrales existantes en utilisant simultanément leurs rapports radiologiques correspondants.
En entraînant le système aux examens et au langage utilisé par les radiologues pour les décrire, nous pouvons lui apprendre à comprendre à quoi ressemblent les anomalies. »
Dr Thomas Booth, auteur principal de l'étude, lecteur en neuroimagerie au King's College de Londres et neuroradiologue consultant au King's College Hospital
Les chercheurs ont également conçu le modèle de manière à a montré que lorsqu'on lui donne une analyse ou une requête textuelle comme « gliome », un type de tumeur cérébrale, le système pourrait rechercher et récupérer des cas similaires, soutenant potentiellement l'examen diagnostique ou l'enseignement.
L'étude indique que le modèle pourrait être utilisé au moment de l'analyse pour signaler les analyses anormales et soutenir la prise de décision clinique en suggérant des résultats aux radiologues, en détectant des erreurs potentielles dans les rapports ou en récupérant des cas similaires lors d'examens antérieurs. Cela accélérerait les diagnostics et réduirait les délais de déclaration, contribuant ainsi à améliorer les résultats pour les patients.
« La prochaine étape consiste à mener un essai multicentrique randomisé à travers le Royaume-Uni pour voir comment la détection des anomalies améliore les flux de travail dans la pratique. Nous sommes heureux d'annoncer que cet essai débutera dans les hôpitaux en 2026 », a commenté Booth.
