Actualités de l'Urgence - APM

L'aide au diagnostic par l'intelligence artificielle (IA) est une solution potentielle à la pénurie d'échographistes experts, qui touche aussi les pays à revenus élevés, soulignent les auteurs. Des résultats prometteurs ont été obtenus avec les réseaux neuronaux convolutifs, mais un problème fréquent de la recherche sur l'IA en médecine utilisant des données rétrospectives est que l'apprentissage et l'évaluation des modèles se font sur les mêmes distributions de données, avec des contenus et des caractéristiques homogènes.

Ainsi, la plupart des modèles d'IA ne parviennent pas à valider correctement leurs performances en utilisant des données externes, ce qui entraîne une surestimation systématique de la précision diagnostique dans la littérature scientifique, expliquent Filip Christiansen de l'Institut Karolinska à Stockholm et ses collègues.

Dans leur étude rétrospective multicentrique internationale, ils ont évalué la capacité de réseaux de neurones à faire la distinction entre des tumeurs ovariennes bénignes et malignes à l'échographie, à partir d'un ensemble de données de 17.119 clichés d'échographie de 3.652 patientes suivies dans 20 centres de huit pays. Les échographies ont été réalisées avec 21 échographes différents, de neuf fabricants.

Pour leur analyse, ils ont utilisé une alternative compétitive aux réseaux neuronaux convolutifs pour les tâches d'imagerie médicale, à savoir un modèle utilisant l'architecture transformeur (transformer en anglais). Il s'agit d'un modèle d'apprentissage profond constitué d'un réseau de neurones capable de réaliser un traitement parallèle des données d'entraînement d'un apprentissage autosupervisé afin de développer un modèle génératif. Cela permet d'accélérer l'apprentissage et d'exploiter des jeux de données hétérogènes, peu ou pas structurées.

Dans cette étude, un modèle a été entraîné pour chaque centre, avec les données des autres centres. L'objectif était d'évaluer la capacité de généralisation de chaque modèle à travers différentes populations de patientes, centres et systèmes d'échographie, et comparer leurs performances diagnostiques à celles de 66 examinateurs humains experts et non experts. Une étape de simulation et d'évaluation de l'intégration d'une stratégie de triage assisté par IA en pratique clinique de routine a ensuite été réalisée.

Les résultats montrent que les modèles entraînés pour chaque centre ont des performances robustes pour l'ensemble des centres, des systèmes d'échographie, des diagnostics histologiques et des groupes d'âge des patientes. Ils dépassent significativement les performances des examinateurs, qu'ils soient experts ou non experts, sur toutes les mesures évaluées (score F1, sensibilité, spécificité, fiabilité et différentes méthodes statistiques).

La simulation en pratique clinique de routine montre que l'aide au diagnostic par l'IA diminue le recours à un expert de 63%, tout en surpassant significativement la performance diagnostique de la pratique actuelle, constatent les auteurs.

"Nos résultats démontrent la forte capacité de généralisation des modèles de réseaux neuronaux utilisant un transformeur, qui ont une meilleure performance que les examinateurs experts et non experts. Ceci était observé pour différents systèmes d'échographie, diagnostics histologiques et, le plus important, pour différentes populations de centres sur lesquelles les modèles n'avaient pas été entraînés auparavant", concluent les auteurs.

"Notre étude démontre le potentiel des modèles d'IA pour améliorer la fiabilité et l'efficience du diagnostic du cancer de l'ovaire", ajoutent-ils, estimant que ces résultats indiquent que ces modèles sont prêts à être utilisés dans des études prospectives cliniques de mise en œuvre, "ce qui nous rapproche de l'adoption des diagnostics assistés par IA dans la pratique clinique".

(Nature Medicine, publication en ligne du 2 janvier)

cd/nc/APMnews