Notre IA détecte des pathologies thoraciques

Avec la crise sanitaire liée à la covid-19, la santé et en particulier les maladies thoraciques sont au cœur des préoccupations dans le monde entier. Les scientifiques se sont mobilisés pour identifier de nouvelles solutions. Évidemment, ils se sont tournés vers la recherche médicale mais également vers des solutions technologiques innovantes s'appuyant sur l'intelligence artificielle (IA).

Pourquoi l'IA ? Depuis plusieurs années déjà, le Deep Learning, qui a démontré une capacité grandissante à comprendre les textes, les images et la génomique, a trouvé des applications dans le champ médical notamment en matière de médecine personnalisée, prédictive et préventive. En pratique, la santé bénéficie de services exploitant bien d'autres technologies que l'IA ou le Deep Learning. C'est ainsi que Santeos, marque e-santé de Worldline, adresse des enjeux tels que la continuité des parcours patients, la e-prévention, la télémédecine, le partage d'imagerie médicale ou encore la valorisation des données.

Parmi nos solutions, WL Imagerie Partagée permet par exemple de visualiser des images médicales, de collecter un second avis via de la télé-expertise ou encore de faire de la télé-interprétation. Pourquoi ne pas aller plus loin via des mécanismes de Data Intelligence pour proposer des services de « médecine augmentée » utilisant le meilleur de l'humain et bénéficiant du meilleur de l'IA ? C'est dans cet esprit, que notre R&D, sous l'impulsion de Wissam Siblini, a ciblé un cas d'usage spécifique de détection de pathologies thoraciques sur des images médicales. Nous avons ainsi développé un algorithme basé sur les réseaux convolutifs profonds à l'état de l'art pour analyser les images médicales. Le modèle obtenu a montré un niveau de performance comparable à celui d'un radiologue.

Utilisation d'une base de données publique volumineuse pour un résultat optimal

Pour réaliser un projet pertinent en matière de Machine Learning, nous avions besoin de données. Évidemment, pour des raisons de confidentialité et de conformité aux réglementations (RGPD, HDS, etc.) en vigueur, il n’était pas question d’utiliser des images hébergées par nos plateformes d’imagerie partagée. C'est pourquoi nous avons décidé d'utiliser, à des fins de recherche, une base de données publique, anonyme, volumineuse, récente et labellisée !

Celle-ci contient des centaines de milliers de radiographies du thorax concernant plusieurs dizaines de milliers de patients pris en charge à l'hôpital. Chaque image était initialement associée à un compte-rendu radiologique contenant une description textuelle de l'état de santé du patient basé sur l'analyse de l'imagerie médicale. L'utilisation d'un annoteur a permis d'extraire automatiquement les informations concernant des pathologies thoraciques (pneumonie, cardiomégalie, etc.) en indiquant si celles-ci était présentes, absentes ou incertaines sur chaque image.

Afin de pouvoir obtenir un résultat optimal, nous avons ensuite prétraité les données : traitement des couleurs, recadrage, changement de la taille, rotation, amélioration de la netteté, etc. Étant donné que le modèle peut apprendre à partir de différentes versions d'une même image, ces transformations utilisées également de manière aléatoire ont permis d'élargir notre base de données.

Utilisation des réseaux convolutifs profonds

Chaque image de la base de données est donc associée à des labels correspondant aux pathologies présentes. Notre objectif a été de créer un modèle en capacité de prédire ces labels à partir des pixels de l'image. Cette tâche s'appelle la Classification d'image. Pour la mener à bien, nous avons fait appel à la solution à l'état de l'art à utiliser dans cette optique : le deep learning et plus précisément les réseaux de convolution profonds.

Identification des pathologies avec un niveau de performance comparable à celui d'un radiologue

Enfin, après avoir prétraité les données et choisi un modèle, nous avons optimisé le processus pour obtenir la meilleure performance possible. Au final, notre modèle s'est montré hautement compétitif : cf. courbes ROC ci-dessous. Quand la courbe est au-dessus d'un point, cela signifie que le modèle créé est plus performant  que le radiologue correspondant au point : Taux de vrais positifs supérieur pour un même taux de faux positifs.

Courbes ROC de notre modèle pour 5 pathologies (Taux de vrais positifs vs Taux de faux positifs)
Les 3 points représentent le Taux de vrais positifs et le taux de faux positifs de 3 radiologues.

Un pas vers la médecine augmentée

Après avoir finalisé la création d'un modèle détectant efficacement les anomalies, nous avons décidé de développer une démonstration du type d'outils, accessibles via un portail web, qui pourraient venir en appui des Professionnels de Santé :

• Le téléchargement d'une imagerie médicale à analyser au format DICOM, PNG ou JPG
• La réalisation de la prédiction avec visualisation sur l'imagerie de l'emplacement de l'éventuelle pathologie détectée
• L'affichage d'une aide à la compréhension de la prédiction

De telles fonctionnalités permettent de rendre l'usage de ces technologies hautement performantes accessibles aux professionnels de santé dans un usage simple, rapide et transparent.

En découvrir d'avantage

Nous vous invitons à nous contacter si vous êtes curieux d'en apprendre davantage sur cette démonstration des capacités de l'IA appliquée à la médecine ou pour évoquer vos éventuels besoins dans ce domaine :

• Emmeline Mottet, business developeuse, porteuse de l'offre Data Suite Santé
• Wissam Siblini, chargé de recherche et roadmap AI/ML, responsable de la démonstration de détection de pathologies thoraciques à base d'imageries médicales