L'imagerie médicale est un domaine complexe où l'interprétation des résultats peut s'avérer difficile.
Les modèles d'IA peuvent aider les médecins en analysant les images susceptibles d'indiquer des anomalies pathologiques.
Mais il y a un hic : ces modèles d'IA proposent généralement une solution unique alors qu'en réalité, les images médicales ont souvent de multiples interprétations.
Si vous demandez à cinq experts d'esquisser une zone d'intérêt, comme une petite masse dans un scanner pulmonaire, vous risquez d'obtenir cinq dessins différents, car ils pourraient tous avoir leur propre opinion sur le point de départ et d'arrivée de la masse, par exemple.
Pour résoudre ce problème, des chercheurs du MIT, du Broad Institute of MIT Harvard et du Massachusetts General Hospital ont créé Tyche, un système d'intelligence artificielle qui tient compte de l'ambiguïté de la segmentation des images médicales.
La segmentation consiste à étiqueter des pixels spécifiques dans une image médicale qui représentent des structures importantes, comme des organes ou des cellules.
Marianne Rakic, candidate au doctorat en informatique au MIT et auteur principal de l'étude étudeIl explique : "Le fait de disposer d'options peut aider à la prise de décision. Le simple fait de voir qu'il y a une incertitude dans une image médicale peut influencer les décisions d'une personne, il est donc important de prendre en compte cette incertitude."
Nommé d'après la déesse grecque du hasard, Tyche génère plusieurs segmentations possibles pour une seule image médicale afin d'en saisir l'ambiguïté.
Chaque segmentation met en évidence des régions légèrement différentes, ce qui permet aux utilisateurs de choisir celle qui convient le mieux à leurs besoins.
Rakic raconte Nouvelles du MITLe fait de produire plusieurs candidats et de s'assurer qu'ils sont différents les uns des autres vous donne une longueur d'avance.
Comment fonctionne Tyche ? Décomposons-le en quatre étapes simples :
- Apprendre par l'exemple: Les utilisateurs donnent à Tyche un petit ensemble d'images d'exemple, appelé "ensemble de contexte", qui montre la tâche de segmentation qu'ils veulent effectuer. Ces exemples peuvent inclure des images segmentées par différents experts humains, ce qui aide le modèle à comprendre la tâche et le potentiel d'ambiguïté.
- Ajustements du réseau neuronal: Les chercheurs ont modifié l'architecture d'un réseau neuronal standard pour permettre à Tyche de gérer l'incertitude. Ils ont ajusté les couches du réseau pour que les segmentations potentielles générées à chaque étape puissent "communiquer" entre elles et avec les exemples de l'ensemble contextuel.
- De multiples possibilités: Tyche est conçu pour produire des prédictions multiples sur la base d'une seule image médicale et d'un ensemble de contextes.
- Récompenser la qualité: Le processus de formation a été modifié pour récompenser Tyche lorsqu'il produit la meilleure prédiction possible. Si l'utilisateur demande cinq prédictions, il peut voir les cinq segmentations d'images médicales produites par Tyche, même si l'une d'entre elles est meilleure.
L'un des principaux atouts de Tyche est sa capacité d'adaptation. Il peut prendre en charge de nouvelles tâches de segmentation sans avoir besoin d'être entraîné à nouveau à partir de zéro.
Normalement, les modèles d'IA pour la segmentation des images médicales utilisent des réseaux neuronaux qui nécessitent un entraînement intensif sur de grands ensembles de données et une expertise en matière d'apprentissage automatique.
En revanche, Tyche peut être utilisé "prêt à l'emploi" pour diverses tâches, depuis le repérage des lésions pulmonaires sur les radiographies jusqu'à l'identification des anomalies cérébrales sur les IRM.
De nombreuses études ont été menées dans le domaine de l'imagerie médicale par IA, notamment des avancées majeures dans les domaines suivants dépistage du cancer du sein et des diagnostics d'IA qui correspondre ou même battre les médecins dans l'interprétation des images.
Pour l'avenir, l'équipe de recherche envisage d'utiliser des ensembles de contextes plus souples, comprenant éventuellement du texte ou plusieurs types d'images.
Ils souhaitent également développer des moyens d'améliorer les pires prédictions de Tyche et permettre au système de recommander les meilleurs candidats à la segmentation.
