Des chercheurs du LMU, de la TU Berlin et de la Charité ont développé un nouvel outil d'IA qui utilise les données d'imagerie pour détecter également des maladies moins fréquentes du tractus gastro-intestinal.
Déjà utilisée dans de nombreux domaines de la médecine, l’IA présente un énorme potentiel lorsqu’il s’agit d’aider les médecins à diagnostiquer des maladies à l’aide de données d’imagerie. Cependant, les modèles d’IA doivent être entraînés avec un grand nombre d’exemples, qui ne sont généralement disponibles en quantité suffisante que pour les maladies courantes.
C'est comme si un médecin de famille n'avait qu'à diagnostiquer la toux, l'écoulement nasal et les maux de gorge. Le véritable défi consiste également à détecter les maladies les moins courantes, que les modèles d’IA actuels négligent ou classent souvent à tort. »
Professeur Frederick Klauschen, directeur de l'Institut de pathologie au LMU
En collaboration avec le groupe du professeur Klaus-Robert Müller de la TU Berlin/BIFOLD et ses collègues de la Charité – Universitätsmedizin Berlin, Klauschen a développé une nouvelle approche qui surmonte cette limitation : comme le rapportent les scientifiques dans la revue Journal de médecine de la Nouvelle-Angleterre AI (NEJM AI), leur nouveau modèle n’a besoin que de données d’entraînement issues de résultats communs pour détecter également de manière fiable les maladies les moins fréquentes. Cela pourrait améliorer considérablement la précision du diagnostic et alléger la charge de travail des pathologistes à l’avenir.
Apprendre de la normalité
La nouvelle approche est basée sur la détection des anomalies : à partir de la caractérisation très précise des tissus normaux et des résultats de maladies fréquentes, le modèle apprend à reconnaître et à signaler les écarts, sans avoir à être spécifiquement formé pour ces cas plus rares. Pour leur étude, les chercheurs ont collecté deux grands ensembles de données d’images microscopiques de coupes de tissus provenant de biopsies gastro-intestinales avec les diagnostics correspondants. Dans ces ensembles de données, les dix résultats les plus courants – y compris les résultats normaux et les maladies courantes telles que la gastrite chronique – représentent environ 90 pour cent des cas, tandis que les 10 pour cent restants contenaient 56 entités pathologiques, dont de nombreux cancers.
Pour la formation et l’évaluation de leur modèle, les chercheurs ont utilisé un total de 17 millions d’images histologiques provenant de 5 423 cas. « Nous avons comparé diverses approches techniques et notre meilleur modèle a détecté avec un haut degré de fiabilité un large éventail de pathologies plus rares de l'estomac et du côlon, y compris de rares cancers primitifs ou métastasés. À notre connaissance, aucun autre outil d'IA publié n'est capable de faire cela. « , déclare Müller. Grâce à des cartes thermiques, l’IA peut en outre indiquer en couleur la position des anomalies dans la coupe de tissu.
Alléger considérablement la charge de travail de diagnostic
En identifiant les résultats normaux et les maladies fréquentes et en détectant les anomalies, le nouveau modèle d’IA, qui sera encore amélioré au fil du temps, pourrait apporter un soutien essentiel aux médecins. Même si les maladies identifiées doivent encore être confirmées par les pathologistes, « les médecins peuvent gagner beaucoup de temps, car les résultats normaux et une certaine proportion de maladies peuvent être automatiquement diagnostiqués par l'IA. Cela concerne environ un quart à un tiers des cas », » dit Klauschen. « Et dans les cas restants, l'IA peut faciliter la priorisation des cas et réduire les diagnostics manqués. Cela représenterait un énorme progrès. »