Des chercheurs de l'Université métropolitaine d'Osaka ont découvert un moyen pratique de détecter et de corriger les erreurs d'étiquetage courantes dans les grandes collections radiographiques. En vérifiant automatiquement les balises de parties du corps, de projection et de rotation, leurs recherches améliorent les modèles d’apprentissage en profondeur utilisés pour les tâches cliniques de routine et les projets de recherche.
Les modèles d’apprentissage profond utilisant la radiographie thoracique ont réalisé des progrès remarquables ces dernières années, évoluant pour accomplir des tâches difficiles pour les humains, comme l’estimation de la fonction cardiaque et respiratoire.
Cependant, la qualité des IA dépend des images qu’elles contiennent. Bien que les images radiographiques prises dans les hôpitaux soient étiquetées avec des informations, telles que le site et la méthode d'imagerie, avant d'être introduites dans le modèle d'apprentissage en profondeur, cela est principalement effectué manuellement, ce qui signifie que des erreurs, des données manquantes et des incohérences se produisent, en particulier dans les hôpitaux très fréquentés.
Ceci est encore compliqué par les images avec diverses rotations. Une radiographie peut être prise de l'avant vers l'arrière ou vice versa, et elle peut également être latérale, inversée ou tournée, ce qui complique encore l'ensemble des données.
Dans les grandes archives d’imagerie, ces erreurs mineures s’ajoutent rapidement à des centaines, voire des milliers de résultats mal étiquetés.
Une équipe de recherche de l'École supérieure de médecine de l'Université métropolitaine d'Osaka, comprenant l'étudiant diplômé Yasuhito Mitsuyama et le professeur Daiju Ueda, visait à améliorer la détection des données mal étiquetées en identifiant automatiquement les erreurs avant qu'elles n'affectent les données d'entrée des modèles d'apprentissage en profondeur.
Le groupe a développé deux modèles : Xp-Bodypart-Checker, qui classe les radiographies en fonction de la partie du corps ; et CXp-Projection-Rotation-Checker, qui détecte la projection et la rotation des radiographies thoraciques.
Xp-Bodypart-Checker a atteint une précision de 98,5 % et CXp-Projection-Rotation-Checker a obtenu des précisions de 98,5 % pour la projection et de 99,3 % pour la rotation. Les chercheurs sont optimistes que l’intégration des deux dans un seul modèle permettrait d’obtenir des performances révolutionnaires en milieu clinique.
Bien que les résultats soient exceptionnels, l’équipe espère affiner davantage la méthode pour une utilisation clinique.
Nous prévoyons de recycler le modèle sur les radiographies qui ont été signalées alors qu'elles étaient correctement étiquetées, ainsi que sur celles qui n'ont pas été signalées mais qui ont en fait été mal étiquetées, pour obtenir une précision encore plus grande. »
Yasuhito Mitsuyama, Université métropolitaine d'Osaka
L'étude a été publiée dans Radiologie européenne.
