Le premier détective du cancer du sein IA qui montre son travail

Le premier détective du cancer du sein IA qui montre son travail

La plupart des IA pour repérer les lésions précancéreuses dans les mammographies ne révèlent aucun de leurs processus de prise de décision (en haut). S’ils le font, c’est souvent une carte de saillance (au milieu) qui indique uniquement aux médecins où ils regardent. Une nouvelle plate-forme d’IA (en bas) indique non seulement aux médecins où elle cherche, mais quelles expériences passées elle utilise pour tirer ses conclusions. Crédit : Alina Barnett, Duke University

Les ingénieurs informaticiens et les radiologues de l’Université Duke ont développé une plateforme d’intelligence artificielle pour analyser les lésions potentiellement cancéreuses dans les mammographies afin de déterminer si un patient doit recevoir une biopsie invasive. Mais contrairement à ses nombreux prédécesseurs, cet algorithme est interprétable, ce qui signifie qu’il montre aux médecins exactement comment il est arrivé à ses conclusions.

Les chercheurs ont formé l’IA à localiser et à évaluer les lésions comme le serait un véritable radiologue, plutôt que de lui permettre de développer librement ses propres procédures, ce qui lui confère plusieurs avantages par rapport à ses homologues « boîte noire ». Cela pourrait constituer une plate-forme de formation utile pour apprendre aux étudiants à lire les images de mammographie. Cela pourrait également aider les médecins des régions peu peuplées du monde qui ne lisent pas régulièrement les mammographies à prendre de meilleures décisions en matière de soins de santé.

Les résultats sont parus en ligne le 15 décembre dans la revue Intelligence de la machine naturelle.

« Si un ordinateur doit aider à prendre des décisions médicales importantes, les médecins doivent avoir confiance que l’IA fonde ses conclusions sur quelque chose de sensé », a déclaré Joseph Lo, professeur de radiologie à Duke. « Nous avons besoin d’algorithmes qui non seulement fonctionnent, mais s’expliquent et montrent des exemples sur lesquels ils fondent leurs conclusions. De cette façon, qu’un médecin soit d’accord avec le résultat ou non, l’IA aide à prendre de meilleures décisions. »

L’ingénierie de l’IA qui lit les images médicales est une énorme industrie. Des milliers d’algorithmes indépendants existent déjà et la FDA en a approuvé plus de 100 pour une utilisation clinique. Qu’il s’agisse de lire des IRM, des tomodensitogrammes ou des mammographies, cependant, très peu d’entre eux utilisent des ensembles de données de validation avec plus de 1000 images ou contiennent des informations démographiques. Cette pénurie d’informations, associée aux échecs récents de plusieurs exemples notables, a conduit de nombreux médecins à remettre en question l’utilisation de l’IA dans les décisions médicales à enjeux élevés.

Dans un cas, un modèle d’IA a échoué même lorsque les chercheurs l’ont entraîné avec des images prises dans différentes installations utilisant différents équipements. Plutôt que de se concentrer exclusivement sur les lésions d’intérêt, l’IA a appris à utiliser les différences subtiles introduites par l’équipement lui-même pour reconnaître les images provenant du service de cancérologie et attribuer à ces lésions une probabilité plus élevée d’être cancéreuses. Comme on pouvait s’y attendre, l’IA n’a pas bien été transférée à d’autres hôpitaux utilisant des équipements différents. Mais parce que personne ne savait ce que l’algorithme regardait lors de la prise de décisions, personne ne savait qu’il était voué à l’échec dans les applications du monde réel.

« Notre idée était plutôt de construire un système pour dire que cette partie spécifique d’une lésion cancéreuse potentielle ressemble beaucoup à cette autre que j’ai vue auparavant », a déclaré Alina Barnett, titulaire d’un doctorat en informatique. candidat à Duke et premier auteur de l’étude. « Sans ces détails explicites, les médecins perdront du temps et de la confiance dans le système s’il n’y a aucun moyen de comprendre pourquoi il fait parfois des erreurs. »

Cynthia Rudin, professeur de génie électrique et informatique et d’informatique à Duke, compare le processus de la nouvelle plateforme d’IA à celui d’un évaluateur immobilier. Dans les modèles de boîte noire qui dominent le domaine, un évaluateur fournirait un prix pour une maison sans aucune explication. Dans un modèle qui inclut ce que l’on appelle une «carte de saillance», l’évaluateur pourrait souligner que le toit et la cour d’une maison étaient des facteurs clés dans sa décision de tarification, mais il ne fournirait aucun détail au-delà.

« Notre méthode dirait que vous avez un toit en cuivre unique et une piscine arrière qui sont similaires à ces autres maisons de votre quartier, ce qui a fait augmenter leurs prix de ce montant », a déclaré Rudin. « Voilà à quoi pourrait ressembler la transparence de l’IA en imagerie médicale et ce que les acteurs du domaine médical devraient exiger pour tout défi en radiologie. »

Les chercheurs ont formé la nouvelle IA avec 1 136 images prises sur 484 patients du Duke University Health System.

Ils ont d’abord appris à l’IA à trouver les lésions suspectes en question et à ignorer tous les tissus sains et autres données non pertinentes. Ensuite, ils ont embauché des radiologues pour étiqueter soigneusement les images afin d’apprendre à l’IA à se concentrer sur les bords des lésions, là où les tumeurs potentielles rencontrent les tissus environnants sains, et à comparer ces bords aux bords dans des images avec des résultats cancéreux et bénins connus.

Les lignes rayonnantes ou les bords flous, connus médicalement sous le nom de marges de masse, sont le meilleur prédicteur des tumeurs cancéreuses du sein et la première chose que les radiologues recherchent. En effet, les cellules cancéreuses se répliquent et se développent si rapidement que tous les bords d’une tumeur en développement ne sont pas faciles à voir dans les mammographies.

« C’est une façon unique de former une IA à l’examen de l’imagerie médicale », a déclaré Barnett. « D’autres IA n’essaient pas d’imiter les radiologues ; elles proposent leurs propres méthodes pour répondre à la question qui ne sont souvent pas utiles ou, dans certains cas, dépendent de processus de raisonnement erronés. »

Une fois la formation terminée, les recherches ont mis l’IA à l’épreuve. Bien qu’il n’ait pas surpassé les radiologues humains, il a fait aussi bien que d’autres modèles d’ordinateurs à boîte noire. Lorsque la nouvelle IA est erronée, les personnes qui l’utilisent seront en mesure de reconnaître qu’elle est erronée et pourquoi elle a commis l’erreur.

À l’avenir, l’équipe travaille à ajouter d’autres caractéristiques physiques à prendre en compte par l’IA lors de la prise de ses décisions, telles que la forme d’une lésion, qui est une deuxième caractéristique que les radiologues apprennent à examiner. Rudin et Lo ont également récemment reçu un Duke MEDx High-Risk High-Impact Award pour continuer à développer l’algorithme et mener une étude sur les lecteurs de radiologues pour voir s’il améliore les performances cliniques et/ou la confiance.

« Il y avait beaucoup d’enthousiasme lorsque les chercheurs ont commencé à appliquer l’IA aux images médicales, à savoir que l’ordinateur serait peut-être capable de voir quelque chose ou de comprendre quelque chose que les gens ne pouvaient pas », a déclaré Fides Schwartz, chercheur à Duke Radiology. « Dans de rares cas, cela pourrait être le cas, mais ce n’est probablement pas le cas dans la majorité des scénarios. Nous ferions donc mieux de nous assurer que nous, en tant qu’humains, comprenons quelles informations l’ordinateur a utilisées pour fonder ses décisions. »


Nouvel algorithme de classification des lésions cutanées


Plus d’information:
Alina Jade Barnett et al, Un modèle d’apprentissage en profondeur interprétable basé sur des cas pour la classification des lésions de masse en mammographie numérique, Intelligence des machines naturelles (2021). DOI : 10.1038/s42256-021-00423-x

Fourni par Duke University

Citation: Le premier détective IA du cancer du sein qui montre son travail (14 janvier 2022) récupéré le 14 janvier 2022 sur https://techxplore.com/news/2022-01-ai-breast-cancer-sleuth.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.