Vers des soins de santé avec le soutien de l'IA
L'apprentissage profond définit le cancer aussi bien que les diagnostics de laboratoire
En Occident, le cancer du poumon est le type de cancer le plus meurtrier. Les spécialistes du diagnostic en laboratoire examinent des échantillons de tissus au microscope et les classent pour déterminer le stade de développement de la tumeur et prescrire un traitement. Dans chaque cas, le cancer est unique à sa manière, donc interpréter le médicament peut être une tâche difficile. Extrêmement difficile. L'intelligence artificielle peut-elle venir à la rescousse?
Oui, oui, et ...
Mon frère John Batson Sherlock de la BBC
Apprentissage profond
Récemment, une technique d'analyse d'image a émergé parmi les technologies d'apprentissage en profondeur, apportant des changements majeurs dans le domaine de la vision par ordinateur. Il identifie automatiquement les caractéristiques uniques de l'image et s'appelle un réseau neuronal convolutif (SNA). Pour la reconnaissance automatique d'images uniques dans les images réseau, ils utilisent une approche utilisant le traitement des données et effectuent ce travail mieux qu'une personne si nous prenons les bases de données ImageNet et CIFAR-10 marquées manuellement comme référence. Si vous utilisez un grand nombre d'images virtuelles de médicaments avec les commentaires de spécialistes, le SNA peut apprendre à classer différents types de cancer du poumon en fonction des images, et ainsi faciliter le processus de détection et de classification de l'adénocarcinome pulmonaire.
Modèle de fenêtre coulissante pour classer des images virtuelles de préparations pulmonaires
Créer l'IA
Des scientifiques du laboratoire Hassanpour de la Geisel School of Medicine de Dartmouth ont publié un article scientifique dans Nature Scientific Reports , qui parlait d'un réseau de neurones qui peut classer les sous-types histologiques du cancer du poumon: rampant, acineux, papillaire, micropapillaire et solide. Le modèle a été formé sur plus de 4 000 diapositives virtuelles commentées et affiné à l'aide d'un ensemble d'échantillons classiques pour chaque type de caractéristique. Le modèle entraîné a bien fonctionné sur ces échantillons classiques: avec une aire sous la courbe de la caractéristique de fonctionnement supérieure ou égale à 0,97 pour toutes les catégories.
Indicateur de performance de l'IA pour des échantillons de cancer du poumon classiques
AI vs spécialistes?
Pour comparer le travail de cette IA et des spécialistes des diagnostics de laboratoire, les scientifiques ont mesuré leurs performances dans des tests indépendants. Le modèle d'apprentissage en profondeur et trois médecins ont classé 143 images virtuelles complètes de médicaments avec des cas réels. Selon le coefficient de Kappa et deux indicateurs d'accord, le modèle qu'ils ont formé a contourné les médecins diagnostiques à tous égards, comme le montre ce tableau du rapport:
Tableau 2: Comparaison des spécialistes et de notre modèle dans la classification des sous-types dominants dans 143 images virtuelles complètes de médicaments. Un bon accord (accord R.) signifie le consentement du commentateur avec au moins deux des trois autres. 95% des intervalles de confiance sont indiqués entre parenthèses.
Pour faire une comparaison, les types de caractéristiques détectés par le modèle ont été présentés graphiquement diapositive par diapositive, avec des experts commentés pour un certain nombre d'images sélectionnées. Les correspondances sont très précises:
Visualisation de l'image histologique, commentée par des spécialistes ((Ai-iv) en comparaison avec ceux qui ont déterminé le modèle d'apprentissage profond (Bi-iv).
Qu'est-ce que cela signifie?
L'apprentissage en profondeur est devenu une méthode extrêmement puissante qui peut fonctionner sur un pied d'égalité avec une personne même lors de la résolution de problèmes complexes tels que l'analyse d'images médicales. Un classificateur du cancer du poumon basé sur des algorithmes d'apprentissage en profondeur pourrait diviser les patients en groupes et hiérarchiser les cas pour l'analyse médicale. Il pourrait également servir de deuxième avis dans les cas contenant des images obscures. Bien que ces méthodes puissent à l’avenir automatiser la partie chronophage du travail du spécialiste, il reste beaucoup à faire avant de pouvoir les utiliser dans la pratique. Ce modèle doit être testé sur de nombreuses bases de données d'organisations différentes. Son adéquation doit être confirmée par des essais cliniques. Est-il probable qu'un système automatisé remplacera les spécialistes du diagnostic en laboratoire? Peut-être une fois, mais pas bientôt. Tous les systèmes d'IA doivent être minutieusement testés en milieu clinique avant que les médecins, les patients et la communauté médicale puissent leur faire confiance.
Créer des algorithmes d'IA pour les soins de santé, c'est comme escalader une haute montagne. Nous pouvons être à mi-chemin, mais il reste encore un long chemin à parcourir et cela ne devient pas plus facile.
Le code de classification d'un scan avec histopathologie pulmonaire est accessible au public sur Github .