La pneumonie place un million d'adultes américains à l'hôpital chaque année et en tue 50 000. Si un médecin soupçonne un patient d'avoir une pneumonie, il ordonnera généralement une radiographie pulmonaire. Ces radiographies doivent être interprétées par un médecin, bien sûr. Mais à présent, les chercheurs de Stanford ont mis au point un algorithme qui, selon eux, permet de diagnostiquer la pneumonie sur rayons X mieux que les radiologues expérimentés.
«L’avantage d’un algorithme est qu’il peut apprendre des centaines de milliers de radiographies pulmonaires et des diagnostics correspondants d’autres experts», explique Pranav Rajpurkar, étudiant diplômé du Stanford Machine Learning Group, qui a dirigé la recherche. "Quand les radiologistes ont-ils la possibilité d'apprendre des centaines de milliers de diagnostics d'autres radiologues et de trouver des motifs dans les images menant à ces diagnostics?"
L'algorithme, appelé CheXNet, peut également diagnostiquer 13 autres conditions médicales, y compris l'emphysème et le pneumothorax (air emprisonné entre le poumon et la paroi thoracique). L'équipe a construit l'algorithme en utilisant un jeu de données public du National Institutes of Health (NIH), qui contenait plus de 100 000 images radiologiques du thorax présentant 14 conditions possibles. L'ensemble de données a été publié avec un algorithme de diagnostic initial, que les NIH ont encouragé les autres chercheurs à progresser.
Rajpurkar et ses collègues du Machine Learning Group ont décidé de relever le défi. Les chercheurs ont demandé à quatre radiologues de Stanford de repérer des indications possibles de pneumonie sur 420 des images. En utilisant ces données, ils ont créé en une semaine un algorithme capable de diagnostiquer avec précision 10 conditions. En un mois, l’algorithme pourrait surpasser les algorithmes précédents en diagnostiquant les 14 conditions. À ce stade, les diagnostics CheXNet sont en accord avec l'opinion majoritaire des radiologues plus souvent qu'avec l'opinion individuelle d'un radiologue.
La recherche a été publiée ce mois-ci sur le site Web scientifique de préimpression arXiv .
D'autres algorithmes de diagnostic ont récemment fait les manchettes. Les équipes canadiennes et italiennes ont toutes deux mis au point des algorithmes permettant de diagnostiquer la maladie d'Alzheimer à partir de scanners cérébraux. La distribution des plaques dans le cerveau qui caractérisent la maladie est trop subtile pour l'œil nu, mais les chercheurs disent que la technologie de l'IA peut détecter des modèles anormaux. Rajpurkar et ses collègues du Machine Learning Group de Stanford ont également développé un algorithme de diagnostic des arythmies cardiaques, analysant des heures de données provenant de moniteurs cardiaques portables. D'autres algorithmes de pneumonie ont été développés à partir des données du NIH, mais celui de Stanford est jusqu'à présent le plus précis.
CheXNet pourrait être particulièrement utile dans les endroits où les gens n’ont pas facilement accès à des radiologues expérimentés, a déclaré l’équipe. Cela pourrait également être utile comme une sorte de triage, identifiant les cas nécessitant une attention urgente et ceux qui n'en ont pas. L’équipe a également mis au point un outil permettant de cartographier les indicateurs de pneumonie potentiels sur les rayons X, offrant ainsi un guide visuel pratique aux médecins.
Bien que l'équipe soit optimiste quant aux capacités de diagnostic de CheXNet, elle reste prudente quant à ses limites.
«L’intelligence artificielle est un outil puissant, mais il faut des années d’expérience et de nombreuses heures difficiles pour comprendre comment l’utiliser, et il est tout aussi difficile de déterminer où nous pouvons l’utiliser pour obtenir un impact positif», déclare Rajpurkar.
Un certain nombre d'algorithmes d'apprentissage en profondeur sont en cours de développement, mais aucun n'a encore suivi le processus de test et d'approbation rigoureux nécessaire pour une utilisation sur de vrais patients.
Paul Chang, professeur de radiologie et vice-président du département de radiologie de l'Université de Chicago, émet une note sceptique à propos de CheXNet et de programmes d'apprentissage en profondeur similaires. Les médecins utilisent déjà des algorithmes pour faciliter le diagnostic d'un certain nombre de conditions, dit Chang. Ces algorithmes reposent sur un modèle préformé de ce à quoi la maladie ressemble: les cancers sont plus gros et plus pointus que les masses bénignes, par exemple. Les programmes d’apprentissage approfondi, en revanche, ont pour but de déterminer quelles caractéristiques sont importantes en elles-mêmes, en traitant d’énormes quantités de données. Mais cela signifie également qu'ils peuvent prendre les mauvaises indications. Chang donne l'exemple d'un algorithme d'apprentissage en profondeur qui a appris la différence entre différents types de rayons X: mains, pieds, mammographies. Mais les chercheurs ont découvert que le programme avait simplement appris à reconnaître les mammographies en raison du fait que l'image principale était placée sur le côté du film plutôt que sur le centre (les seins étant fixés à la paroi thoracique, ils apparaissent au bord du film de mammographie (les mains ou les pieds, au contraire, apparaissent au centre de la radiographie). L’algorithme n’apprenait rien d’important sur les seins, mais uniquement sur leur position à l’écran.
«C’est très tôt», a déclaré Chang, soulignant que les résultats de CheXNet n’avaient pas été revus par des pairs. «L'apprentissage en profondeur a un grand potentiel, mais en médecine et en radiologie, nous avons tendance à être au début du cycle de battage médiatique, mais il nous faut plus de temps pour l'adopter. Nous allons apprendre à bien le consommer. "
