Un système basé sur l’intelligence artificielle qui passe automatiquement au peigne fin les IRM cérébrales pour les anomalies pourrait accélérer les soins à ceux qui en ont le plus besoin, selon une étude publiée dans Radiologie: intelligence artificielle.
L’IRM produit des images détaillées du cerveau qui aident les radiologues à diagnostiquer diverses maladies et dommages causés par des événements tels qu’un accident vasculaire cérébral ou un traumatisme crânien. Son utilisation croissante a conduit à une surcharge d’image qui présente un besoin urgent d’améliorer le flux de travail radiologique. L’identification automatique des résultats anormaux dans les images médicales offre une solution potentielle, permettant d’améliorer les soins aux patients et d’accélérer le congé du patient.
« Il y a un nombre croissant d’IRM qui sont effectuées, non seulement à l’hôpital mais aussi en ambulatoire, il est donc nécessaire d’améliorer le flux de travail de radiologie », a déclaré Romane Gauriau, auteur principal de l’étude, ancienne machine. scientifique en apprentissage au Massachusetts General Hospital et au Brigham and Women’s Hospital Center for Clinical Data Science à Boston. « Une façon d’y parvenir est d’automatiser une partie du processus et d’aider également le radiologue à prioriser les différents examens. »
Le Dr Gauriau, avec le co-auteur principal Bernardo C. Bizzo, MD, Ph.D., et ses collègues, et en partenariat avec Diagnosticos da America SA (DASA), une société de diagnostic médical au Brésil, a développé un système automatisé de classification IRM cérébrale comme «probablement normale» ou «probablement anormale». L’approche repose sur un réseau de neurones convolutifs (CNN), un type sophistiqué d’IA qui permet au modèle d’apprendre directement à partir des images.
Les chercheurs ont formé et validé l’algorithme sur trois grands ensembles de données totalisant plus de 9 000 examens collectés auprès de différentes institutions sur deux continents différents.
Lors des tests préliminaires, le modèle a montré des performances relativement bonnes pour différencier les examens probablement normaux ou probablement anormaux. Les tests sur un ensemble de données de validation acquis à une période de temps différente et auprès d’une institution différente des données utilisées pour entraîner l’algorithme ont mis en évidence la capacité de généralisation du modèle. Un tel système pourrait être utilisé comme un outil de triage, selon le Dr Gauriau, avec le potentiel d’améliorer le flux de travail de radiologie.
«Le problème que nous essayons de résoudre est très, très complexe car il existe une grande variété d’anomalies à l’IRM», a-t-elle déclaré. « Nous avons montré que ce modèle est suffisamment prometteur pour commencer à évaluer s’il peut être utilisé dans un environnement clinique. »
Il a été démontré que des modèles similaires améliorent considérablement le temps de traitement pour l’identification des anomalies dans les tomodensitométries de la tête et les radiographies thoraciques. Le nouveau modèle a le potentiel de bénéficier davantage des soins ambulatoires en identifiant les découvertes fortuites. Une découverte fortuite est une anomalie non liée à la raison pour laquelle le médecin a ordonné le test.
Disons que vous êtes tombé et que vous vous êtes cogné la tête, puis que vous êtes allé à l’hôpital et qu’ils ont commandé une IRM cérébrale. Cet algorithme peut détecter si vous avez une lésion cérébrale à la suite de la chute, mais il peut également détecter une découverte inattendue telle qu’une tumeur au cerveau. Avoir cette capacité pourrait vraiment aider à améliorer les soins aux patients. «
Dr Romane Gauriau, co-auteur principal de l’étude
Ce travail a été le premier du genre à exploiter un vaste ensemble de données cliniquement pertinent et à utiliser des données d’IRM à volume complet pour détecter une anomalie cérébrale globale. Les prochaines étapes de la recherche comprennent l’évaluation de l’utilité clinique et de la valeur potentielle du modèle pour les radiologues. Les chercheurs aimeraient également le développer au-delà des sorties binaires «probablement normal» ou «probablement anormal».
« De cette façon, nous pourrions non seulement avoir des résultats binaires, mais peut-être quelque chose pour mieux caractériser les types de résultats, par exemple, si l’anomalie est plus susceptible d’être liée à une tumeur ou à une inflammation », a déclaré le Dr Gauriau. « Cela pourrait également être très utile à des fins éducatives. »
Une évaluation plus approfondie est actuellement en cours dans un environnement clinique contrôlé au Brésil avec les collaborateurs de recherche de DASA.
La source:
Société de radiologie d’Amérique du Nord
Référence du journal:
Gauriau, R., et coll. (2021) Un modèle basé sur l’apprentissage en profondeur pour détecter les anomalies sur l’IRM cérébrale pour le tri: résultats préliminaires d’une expérience multi-sites. Radiologie: intelligence artificielle. doi.org/10.1148/ryai.2021200184.
