L’IA en radiologie : quelles potentialités ?
L’intelligence artificielle s’immisce de plus en plus aujourd’hui dans le domaine de la santé, suscitant autant d’espoir que d’interrogations. Du suivi personnalisé du parcours de soin, à l’optimisation des techniques de l’imagerie médicale, les applications de l’IA en médecine se multiplient.
L’imagerie médicale boostée par l’apprentissage automatique :
Depuis la découverte des rayons X en 1895, l’histoire moderne de l’imagerie médicale a été façonnée par plusieurs phases de progrès technique. De la radiographie traditionnelle à l’IRM fonctionnelle (IRMf) passant par l’échographie, les radiologues disposent aujourd’hui d’outils sophistiqués pour visualiser plusieurs types de tâches tumorales, de lésions, et de fractures.
Du fait de la complexité des images générées, le besoin de perfectionner la précision du diagnostic et la qualité des comptes rendus radiologiques accélère le recours massif à l’IA. Revenons à la terminologie, l’intelligence artificielle a été définie par l’un de ses pères fondateurs Marvin Minsky (1927-2016) comme « La construction de programmes informatiques capables d’accomplir des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisantes par des êtres humains. »
Partant de cette définition, l’imagerie médicale, jadis limitée à l’expertise humaine, s’ouvre progressivement aux possibilités offertes par les programmes intelligents. Notons toutefois que la machine est souvent capable aujourd’hui de surpasser l’humain sur plusieurs points. Certains chercheurs considèrent même que la radiologie a été parmi les premiers secteurs où l’intelligence artificielle a fait ses preuves.
Des cas d’usage multiples :
Face aux difficultés quotidiennes rencontrées par les radiologues, l’IA intégrée dans les outils d’imagerie promet un gain du temps considérable. Imaginons qu’en cas de pression persistante sur les établissements de santé comme on en a vu pendant la crise pandémique, quand le retard ou les erreurs en diagnostic coûtent parfois des vies, la technologie accélérant le processus, une fois accessible en termes de budget, ne serait qu’un choix inévitable.
L’IA aurait l’atout de détecter des éléments difficilement perceptibles par l’œil humain. De larges corpus de données médicales collectées à partir des IRM, des scanners, ou des échographies seraient traitées et analysées de manière beaucoup plus rapide.
En neurologie, des modèles de machine learning et de computer vision s’appliquent à grande échelle à la détection des troubles neurologiques tel que la maladie de Parkinson. A l’hôpital Pitié-Salpêtrière à Paris, des algorithmes d’apprentissage basés sur la régression logistique ont été utilisés pour le diagnostic de cette maladie neurodégénérative sur une large population étudiée. Le degré de précision a été surprenant. Les tumeurs cérébrales n’échappent pas également au champ des applications de l’apprentissage automatique. En 2021, des chercheurs américains ont pu élaborer un modèle de deep learning basé sur un réseau de neurones convolutif (ou CNN) capable à travers une seule IRM 3D d’identifier une tumeur cérébrale parmi l’un des six types les plus fréquents avec une précision de 93,35 % dans sept groupes d’images. Les recherches en neurosciences et en psychiatrie bénéficient également des potentialités de l’intelligence artificielle aidant à mieux comprendre les pathologies neuropsychologiques et à démystifier davantage le mystère de fonctionnement du cerveau humain, l’organe le plus complexe de l’univers.
En mammographie, l’IA est perçue par les experts comme étant un outil de vérification incontournable permettant une deuxième lecture de l’interprétation humaine préalable. Une étude américaine parue dans la revue Radiology en juin 2023 a montré que la prédiction de cancer du sein entre 0 et 5 ans à l’aide de l’intelligence artificielle serait plus fiable que le modèle de risque classique BCSC (Breast Cancer Suveillance Consortium) surtout en cas d’examen de dépistage négatif.
L’IA pourrait-elle bientôt remplacer les radiologues ?
Depuis la prophétie largement médiatisée d’un grand remplacement des spécialistes en IM, proférée par l’un des grands noms de l’IA, Geoffrey Hinton en 2016, les doutes s’installent autour des limites de l’automatisation complète de la pratique.
En effet, l’échec du programme d’IA Watson Health de IBM et la promesse non tenue d’une aide au diagnostic entièrement basée sur l’IA et toujours pertinente ont remis en question les annonces d’une substitution des professionnels médicaux par des machines supérieurs et autonomes.
Aujourd’hui la majorité des experts s’accordent sur le fait que les radiologues qualifiés demeurent indispensables. Cependant, les Early adopters, ceux qui tiennent compte dès le début de l’importance de l’IA en tant qu’assistant seraient de loin plus compétitifs. Il faut rappeler que le secteur a connu une pénurie préoccupante des personnels qualifiés dans plusieurs pays. L’adoption de des outils de l’IA serait donc envisageable pour remédier d’une manière ou d’une autre au temps de diagnostic allongé lié au manque de radiologues et à l’incapacité à les remplacer.
A cela s’ajoute le fait que les données médicales seraient par nature partielles, voire imparfaites, une fois séparées du contexte et du parcours médical des malades. Une approche holistique combinant le pouvoir des algorithmes et les atouts de l’expertise humaine serait donc à privilégier.
Ecrit par : Youssef Zaatour
