L’intelligence artificielle (IA) change le monde tel que nous le connaissons, ouvrant de nouvelles possibilités car les applications d’apprentissage en profondeur sont capables de traiter de grands ensembles de données et d’analyser des informations provenant de plusieurs sources presque instantanément.
Crédit d’image : Atthapon Raksthaput/Shutterstock.com
L’IA peut être utilisée dans des applications médicales pour détecter des maladies, transcrire des documents médicaux, améliorer les communications et faire progresser la découverte et le développement de médicaments. Récemment, un groupe de chercheurs du Massachusetts General, Harvard Le plus grand hôpital universitaire de la faculté de médecine utilise l’IA pour lire les résultats de dizaines de milliers d’examens IRM afin de mener à bien le processus de diagnostic à grande échelle.
Publié dans la revue PLOS ONE, l’équipe révèle comment elle a appliqué l’architecture d’apprentissage en profondeur aux processus pour analyser de grands ensembles de données cliniques afin d’identifier le risque de maladie d’Alzheimer. Les résultats sont précis à environ 90 %.1
Nos résultats – avec une généralisabilité inter-site, inter-temps et inter-population – plaident en faveur de l’utilisation clinique de cette technologie de diagnostic.
Matthew Leming, auteur principal et chercheur, Harvard
MUCRAN : Diagnostics basés sur l’apprentissage en profondeur
L’équipe a nommé son modèle MUCRAN, qui signifie Multi-Confound Regression Adversarial Network : un processus contradictoire sur un planificateur spécialisé pour développer le modèle sur de grands ensembles de données cliniques tout en régressant plusieurs facteurs de confusion.
En utilisant les données de milliers d’examens IRM de patients atteints ou non de la maladie d’Alzheimer, Leming, chercheur au Massachusetts Alzheimer’s Disease Research Center, a aidé à développer un modèle de détection de la maladie.
L’apprentissage en profondeur est une méthode d’apprentissage automatique inspirée des voies neuronales du cerveau humain, qui utilise des réseaux de neurones artificiels pour extraire et traiter des fonctionnalités avancées à partir de plusieurs couches de données à des vitesses extrêmement élevées.
Dans cette étude, l’équipe a testé son modèle à l’aide de données provenant de cinq ensembles de données différents acquis à partir de cinq ensembles de données – Mass. General post-2019, Brigham and Women’s Hospital avant et après 2019, et systèmes extérieurs avant et après 2019.1
À partir de là, l’équipe a pu déterminer si le système d’apprentissage en profondeur était capable ou non d’identifier des cas d’Alzheimer à partir d’un ensemble de données diversifié non limité à un seul lieu ou à une seule période.
Dans l’ensemble, le système a traité environ 38 000 images, dont environ un tiers provenaient de patients considérés à risque de maladie d’Alzheimer. Les scans restants provenaient de ceux qui ne présentaient aucun symptôme ou risque visible de la maladie. Par la suite, le modèle de diagnostic basé sur l’apprentissage en profondeur a pu détecter un risque de maladie d’Alzheimer avec une précision de 90,2 %.1
Suppression des limitations
Ce qui distingue également le nouveau modèle des autres outils de diagnostic basés sur l’IA développés précédemment, c’est que ce système a pu supprimer les limitations et certaines variables, y compris l’âge, tout en restant efficace.
La maladie d’Alzheimer survient généralement chez les personnes âgées, et les modèles d’apprentissage en profondeur ont donc souvent du mal à détecter les cas d’apparition précoce les plus rares.
Matthew Leming, auteur principal et chercheur, Harvard
Pour résoudre ce problème, l’équipe a développé le modèle d’apprentissage en profondeur en le rendant “aveugle aux caractéristiques du cerveau qu’il trouve trop associées à l’âge indiqué du patient», a expliqué Leming.1
D’autres limites que l’équipe s’est efforcée de résoudre comprenaient la garantie que le modèle était capable de lire les résultats de plusieurs sources IRM. Par exemple, les résultats générés par un scanner IRM fabriqué par une entreprise peuvent différer dans leur format de ceux d’autres types d’appareils IRM. Par conséquent, un mécanisme d’apprentissage en profondeur formé à l’aide de données provenant d’un seul type de machine peut avoir du mal à faire des prédictions précises basées sur les données d’un autre.
En utilisant des ensembles de données provenant de diverses sources du monde réel, l’équipe a pu s’assurer que son modèle d’IA innovant était en mesure d’incorporer une « métrique d’incertitude » dans sa modélisation pour faire des prédictions précises.
Nos résultats – avec une généralisabilité inter-site, inter-temps et inter-population – plaident en faveur de l’utilisation clinique de cette technologie de diagnostic.
Matthew Leming, auteur principal et chercheur, Harvard
MUCRAN pourrait bénéficier aux patients en offrant un diagnostic précoce de la maladie d’Alzheimer, qui offre la possibilité de recevoir un traitement précoce et un accès plus large aux essais cliniques. Cela montre à quel point, une fois de plus, l’IA a le potentiel d’améliorer les applications médicales et de santé avec un impact positif sur la santé humaine.
Références et lectures complémentaires
- Chase, B. (2023) Utiliser l’IA pour cibler la maladie d’Alzheimer, Gazette de Harvard. Harvard Gazette. Disponible à:
- Leming, M., Das, S. et Im, H. (2023) «Mesures de régression et d’incertitude contradictoires pour classer l’IRM clinique hétérogène dans le général Brigham de masse», PLOS ONE, 18(3). Disponible à:
Avis de non-responsabilité : les opinions exprimées ici sont celles de l’auteur exprimées à titre privé et ne représentent pas nécessairement les opinions de AZoM.com Limited T/A AZoNetwork, le propriétaire et l’exploitant de ce site Web. Cette clause de non-responsabilité fait partie des conditions d’utilisation de ce site Web.
