Les défis de l'IA en radiographie pulmonaire

Ajouter à mes favoris

Voir la traduction automatique

#Actualités du secteur

{{{sourceTextContent.title}}}

{{{sourceTextContent.subTitle}}}

{{{sourceTextContent.description}}}

Les produits d'IA actuels dans le domaine de la radiologie posent plusieurs problèmes, a souligné M. Schalekamp, l'un d'entre eux étant qu'ils sont principalement conçus pour la population adulte. L'expert néerlandais fait partie de "AI for Radiology", un projet non commercial de Radboud UMC qui recense tous les produits d'IA certifiés CE dans le domaine de la radiologie ainsi que la documentation et les études de recherche évaluant ces algorithmes.

À ce jour, 191 solutions logicielles d'IA avec le marquage CE pour la radiologie sont répertoriées dans la base de données, avec une majorité conçue pour la neuroradiologie (35 %). Le deuxième groupe le plus important est celui de la radiologie thoracique, avec 57 produits provenant de 28 fournisseurs. Cependant, comme l'a noté Schalekamp, aucun de ces produits n'a été spécifiquement conçu pour les enfants.

Un seul produit, CAD4TB, qui a été développé pour détecter automatiquement la tuberculose sur les radiographies pulmonaires, est applicable aux patients pédiatriques. CAD4TB a été entraîné sur des images pulmonaires d'enfants âgés de quatre ans et plus. "Il est utilisé dans de nombreux pays, souvent à faibles ressources, où il n'y a pas beaucoup de radiologues disponibles", a-t-il déclaré.

M. Schalekamp a souligné que de grandes disparités entre les enfants et les adultes étaient également présentes dans la recherche. Par exemple, en entrant la requête de recherche "artificial intelligence chest" dans pubmed.gov, on obtient 2311 résultats - en revanche, "artificial intelligence pediatric chest" ne donne que 75 résultats.

Un autre défi majeur pour ces systèmes d'IA est la différence entre les thorax adulte et pédiatrique. Les enfants ont un thorax en pleine croissance qui évolue constamment. Par exemple, la taille et les proportions du thorax d'un nourrisson diffèrent de celles d'un jeune adulte. Il existe également une plus grande variabilité dans le suivi du patient et les niveaux d'inspiration, a déclaré le radiologue.

De plus, chez les patients pédiatriques, les cliniciens recherchent généralement des anomalies différentes de celles des adultes, telles que la séquestration pulmonaire pédiatrique et les malformations congénitales des voies respiratoires pulmonaires. Schalekamp ajoute qu'il n'existe que peu de grands ensembles de données pédiatriques, en partie parce que l'imagerie est moins pratiquée chez les enfants en raison des risques de radiation.

L'expert a également mis en garde contre le fait que les fournisseurs n'indiquent souvent pas si leur produit s'applique aux patients pédiatriques, ce qui suscite des inquiétudes quant à la possibilité d'une utilisation non conforme. "Cela peut entraîner une baisse des performances lorsque ces produits sont utilisés dans la population pédiatrique", a-t-il déclaré.

Pour surmonter certains de ces défis, les fournisseurs devraient "chercher à développer des systèmes spécifiques pour la population pédiatrique. Une première solution pourrait être de réentraîner les systèmes d'IA actuels sur des données pédiatriquespour essayer d'améliorer leurs performances et les rendre disponibles pour les données pédiatriques également."

Le développement des produits d'IA dans le domaine de la radiographie pulmonaire est en train de changer, a souligné Schalekamp. "Il y a quelques années, la plupart des produits n'étaient capables de détecter qu'une ou deux anomalies, principalement le cancer du poumon ou le pneumothorax. Aujourd'hui, les produits se concentrent sur plusieurs anomalies et tentent d'évaluer l'image dans son ensemble. Il existe même des produits qui prétendent pouvoir détecter jusqu'à 124 anomalies", a déclaré l'expert.

Les fournisseurs ont différentes façons de présenter leurs résultats, par exemple avec des cartes thermiques, en dessinant des cercles autour des zones suspectes ou en donnant des scores d'anomalie d'une image. "Dans la littérature, nous constatons que les produits sont de plus en plus performants", a-t-il ajouté.

Outre le CAD4TB, d'autres produits pédiatriques sont en cours de développement. "Dans un avenir proche, nous pouvons nous attendre à des produits sur la détection de la pneumonie chez les enfants, mais aussi la détection des métastases pulmonaires", a déclaré Schalekamp. "Ces produits sont déjà disponibles pour la population adulte et pourraient être facilement transférés à la population pédiatrique "Des chercheurs d'Afrique du Sud ont mis au point CAD4Kids, un algorithme visant à détecter la pneumonie, qui présente encore un taux de mortalité élevé chez les nourrissons dans le monde entier. L'algorithme a été entraîné sur un ensemble de données de radiographies pulmonaires d'enfants de moins de cinq ans. Le système a atteint une sensibilité (76 %) et une spécificité (80 %) raisonnables, mais l'analyse a révélé que le système était encore inférieur à un observateur de référence, a rapporté l'expert.

Un groupe international dirigé par des scientifiques de Merck a utilisé un ensemble de données de l'Organisation mondiale de la santé contenant les radiographies de 431 enfants pour développer un algorithme d'IA permettant de détecter les pneumonies graves chez les enfants. Schalekamp a déclaré que l'algorithme a atteint une impressionnante aire sous la courbe (AUC) de 0,977 et se situait dans la fourchette de fiabilité interobservateur des observateurs de référence de l'étude.

Il existe également de nombreuses recherches sur la détection et le suivi de la bronchopathie (mucoviscidose). Des chercheurs de l'université de Bordeaux et de l'université de Cincinnati, dans l'Ohio, ont mis au point un algorithme d'IA pour aider à évaluer la mucoviscidose sur l'imagerie tomodensitométrique chez les enfants, à partir d'un ensemble de données d'images de patients âgés de quatre à 54 ans. "Ils ont pu démontrer que les patients sous traitement lors des tomographies de suivi présentaient des quantités plus faibles de biomarqueurs spécifiques, ce qui a été facilement détecté par ce système d'IA", a déclaré Schalekamp.