Le rôle de l'IA dans l'imagerie médicale pour une détection plus précoce des anomalies

L’engouement pour l’IA reste très présent dans le domaine de la santé, mais il est particulièrement fort en radiologie. Si vous vous souvenez des débuts de la conception assistée par ordinateur (CAO), vous serez impressionné par les progrès réalisés par cette technologie. Un natif de ChatGPT pourrait peut-être soutenir qu’il reste encore beaucoup à faire avant que l’IA puisse atteindre son plein potentiel dans ce domaine. Les deux points de vue sont corrects. Cet article examinera pourquoi il est si difficile pour l’IA de détecter des choses, comment son rôle évolue et quelles tendances surveiller en 2025 et au-delà.

Trouver une aiguille dans une botte de foin : la détection est difficile.

Il est difficile de détecter une maladie à un stade précoce, car les maladies débutent souvent par des écarts assez subtils par rapport à l'apparence normale des données d'imagerie radiologique. Comme il existe une grande variabilité naturelle et tout à fait normale entre les individus, il est très difficile de déterminer quels changements mineurs sont vraiment anormaux. Par exemple, les nodules pulmonaires sont très petits au départ ; les maladies pulmonaires diffuses commencent par des modifications tissulaires facilement négligées.

C'est là où Machine Learning (ML) joue un rôle important. Il peut apprendre à reconnaître les changements spécifiques qui ne sont pas normaux, mais plutôt associés à la maladie et les séparer de la variabilité normale. Cette variabilité normale peut avoir différentes sources : l'anatomie individuelle, les différences techniques dans l'équipement d'acquisition d'images, ou même des changements temporels dans l'apparence des tissus qui sont parfaitement normaux. Nous devons entraîner les modèles ML avec de grandes quantités de données afin qu'ils puissent former des représentations de cette variabilité et identifier les changements qui indiquent une maladie.

L’IA peut-elle nous aider à détecter les anomalies plus tôt ?

L’IA peut être utile de plusieurs manières. Tout d’abord, elle peut reconnaître des schémas spécifiques associés à une maladie, comme le cancer, les maladies pulmonaires interstitielles ou les maladies cardiovasculaires dans les données d’imagerie. En s’entraînant sur des données aussi diverses que possible, l’IA est capable de détecter de manière fiable les résultats importants pour le premier diagnostic. Et en analysant des volumes d’images entiers, elle peut aider les radiologues en mettant en évidence les zones suspectes, augmentant ainsi la sensibilité des médecins.

Deuxièmement, l’IA peut exploiter des caractéristiques d’image autres que celles que les humains peuvent facilement observer et signaler. Dans le cadre de la détection du cancer du poumon, les radiologues évaluent d’abord la taille, la forme et la catégorie d’un nodule pour décider de la prochaine mesure à prendre dans la prise en charge du patient. L’IA peut analyser la texture tridimensionnelle et les caractéristiques fines de la surface d’un nodule pour déterminer de manière plus fiable s’il présente un risque élevé ou faible de malignité. Cela a des conséquences directes sur la prise en charge de chaque patient, par exemple sur la nécessité ou non d’envoyer cette personne subir une biopsie, ou sur la durée et la fréquence des intervalles de suivi.

Dans une étude par Adams et al. (JACR), il a été démontré que l'association d'une prise en charge basée sur des lignes directrices pour les nodules accidentels dans les scanners thoraciques avec L’analyse basée sur l’apprentissage automatique pourrait réduire considérablement les faux positifs. Cela se traduit à la fois par une réduction du nombre de biopsies inutiles (pour les cas où l’IA indique que le nodule est bénin) et par un délai de traitement plus rapide (pour les cas où l’IA indique que le nodule est malin). Il est important de souligner ici que l’IA ne préconise pas l’élimination des directives. Au contraire, nous sommes mis au défi de compléter les directives nécessaires avec les résultats de l’IA. Dans ce cas, si le score ML contredit la directive avec une grande certitude, alors optez pour le score ML ; sinon, respectez les instructions de la directive. Nous verrons d’autres applications de ce type à l’avenir.

Troisièmement, l’IA peut aider à quantifier l’évolution des patients au fil du temps, ce qui est encore une fois crucial pour un suivi adéquat. Les algorithmes actuels dans le domaine de l’apprentissage automatique et de l’analyse d’images médicales peuvent aligner plusieurs images du même patient – ​​nous appelons cela « l’enregistrement » – afin que nous puissions examiner la même position à différents moments. Dans le cas du cancer du poumon, l’ajout d’algorithmes de suivi nous permet de présenter l’historique complet de chaque nodule d’un poumon aux radiologues lorsqu’ils ouvrent un dossier. Au lieu de devoir consulter les scanners précédents et naviguer vers la bonne position pour quelques exemples de nodules, ils voient tout en même temps. Cela devrait non seulement libérer du temps, mais aussi rendre l’expérience de travail plus agréable pour les médecins.

La radiologie va évoluer grâce à l'IA. La question est de savoir comment.

L’IA progresse rapidement dans plusieurs directions. La plus évidente est que nous collectons des données plus diversifiées et plus représentatives pour créer des modèles robustes qui fonctionnent bien dans les contextes cliniques. Cela comprend non seulement les données provenant de différents types de scanners, mais aussi les données liées aux comorbidités qui rendent la détection du cancer plus difficile.

Outre les données, de nouvelles méthodes d’apprentissage automatique sont en constante évolution pour améliorer la précision. Par exemple, l’un des principaux domaines de recherche consiste à déterminer comment distinguer la variabilité biologique des différences dans l’acquisition d’images ; un autre domaine consiste à déterminer comment transférer les modèles d’apprentissage automatique vers de nouveaux domaines. La multimodalité et la prédiction représentent deux directions particulièrement intéressantes qui laissent également entrevoir la manière dont la radiologie pourrait évoluer au cours des prochaines années. En médecine de précision, le diagnostic intégré est une orientation essentielle visant à utiliser les données de radiologie, de médecine de laboratoire, de pathologie et d’autres domaines diagnostiques pour les décisions de traitement. Si ces données sont utilisées ensemble, elles offrent beaucoup plus d’informations pour guider les décisions que n’importe quel paramètre particulier pris individuellement. C’est déjà une pratique courante, par exemple, dans les comités tumoraux ; l’apprentissage automatique entrera simplement dans la discussion à l’avenir. Cela soulève la question : que devraient faire les modèles d’apprentissage automatique avec toutes ces données intégrées provenant de sources multiples ? Une chose que nous pourrions faire est d’essayer de prédire la maladie future ainsi que la réponse d’un individu au traitement. Ensemble, ils détiennent un grand pouvoir que nous pouvons exploiter pour créer des prédictions hypothétiques qui peuvent guider les décisions de traitement.

Tendances pour 2025 : façonner l'efficacité, la qualité et le remboursement

Plusieurs facteurs influencent l'utilisation de l'IA dans la pratique clinique. Deux aspects importants sont l'efficacité et la qualité.

Efficacité

En permettant aux radiologues de se concentrer sur l’aspect crucial et difficile de leur travail – l’intégration de données complexes – l’IA peut contribuer à accroître l’efficacité. L’IA peut y contribuer en fournissant des informations critiques et pertinentes au point de service – par exemple des valeurs quantitatives – ou en automatisant quelques tâches telles que la détection ou la segmentation d’une anomalie. Cela a un effet secondaire intéressant : cela permet non seulement d’évaluer plus rapidement les changements, mais cela permet également de transférer des tâches telles que la segmentation pixel par pixel et la volumétrie des schémas de maladie de la recherche à la pratique clinique. La segmentation manuelle de schémas volumineux est totalement impossible dans de nombreuses circonstances, mais l’automatisation rend ces informations accessibles lors des soins de routine.

Qualité

L'IA influence la qualité du travail. Nous entendons par là : améliorer le diagnostic, recommander un traitement spécifique, détecter plus tôt une maladie ou évaluer plus précisément la réponse au traitement. Ces avantages profitent à chaque patient. À l'heure actuelle, la relation entre ces avantages et la rentabilité au niveau du système est évaluée afin d'étudier et de comparer l'impact économique de l'introduction de l'IA en radiologie sur la santé.

Remboursement

L’adoption de l’IA ne se résume plus à une simple question d’efficacité : elle est reconnue et récompensée pour ses contributions concrètes aux soins des patients et aux économies de coûts. Son inclusion dans les régimes de remboursement illustre ce changement. Si les avantages – comme la réduction des procédures inutiles et l’accélération des traitements – semblent évidents avec le recul, le chemin a été long. Aujourd’hui, avec l’apparition des premiers cas de réussite, l’impact transformateur de l’IA est évident. En améliorant les résultats des patients et en optimisant les processus de soins de santé, l’IA remodèle le secteur, avec des développements passionnants à l’horizon.

Façonner l’avenir de l’imagerie médicale

L’imagerie médicale connaît des transformations fondamentales. La médecine de précision, les diagnostics intégrés et les nouvelles technologies de diagnostic moléculaire modifient les moyens de prise de décisions thérapeutiques dans un paysage de plus en plus complexe d’options thérapeutiques. L’IA est un catalyseur de ce changement, car elle permet aux médecins d’intégrer davantage de caractéristiques capturées par différentes modalités et de les lier aux réponses au traitement.

Il faudra encore du temps pour adopter ces outils à grande échelle en raison des défis techniques, des problèmes d’intégration et des préoccupations économiques en matière de santé. Une chose que nous pouvons tous faire pour accélérer le processus est d’être un patient informé. Nous pouvons tous parler à nos médecins des IA qu’ils ont pu tester ou qu’ils utilisent dans leur pratique et de la façon dont ces outils complètent leur expérience et leurs connaissances professionnelles. Le marché répond à la demande ; donc si nous exigeons une détection précoce et précise, l’IA viendra.