Nouveau modèle d’apprentissage en profondeur alimenté par l’IA pour prendre en charge les diagnostics médicaux

Nouveau modèle d'apprentissage en profondeur alimenté par l'IA pour prendre en charge les diagnostics médicaux

Pouneh Gorji (deuxième à gauche) faisait partie de l’équipe de chercheurs du laboratoire du scientifique informatique Russ Greiner qui a développé un nouveau modèle basé sur l’IA qui peut apprendre à identifier les maladies à partir de scans médicaux plus rapidement et plus précisément. «Cette publication n’existerait pas sans sa contribution», déclare l’auteur principal Roberto Vega (neuvième à gauche). (Photo: fournie; prise en 2018)

Un nouveau modèle d’apprentissage en profondeur peut apprendre à identifier les maladies à partir d’analyses médicales plus rapidement et avec plus de précision, selon une nouvelle recherche menée par une équipe de scientifiques en informatique de l’Université de l’Alberta et la société dérivée de l’U of A, MEDO. Le modèle révolutionnaire est l’œuvre d’une équipe de chercheurs de la Faculté des sciences – y compris les contributions de Pouneh Gorji, un étudiant diplômé perdu dans le vol PS752.

L’apprentissage en profondeur est un type d’apprentissage automatique – un sous-domaine de l’intelligence artificielle; Les techniques d’apprentissage en profondeur sont des algorithmes informatiques qui trouvent des modèles dans de grands ensembles de données, produisant des modèles qui peuvent ensuite être utilisés pour faire des prédictions. Ces modèles fonctionnent mieux lorsqu’ils apprennent à partir de centaines de milliers, voire de millions d’exemples. Mais le domaine du diagnostic médical présente un défi unique, où les chercheurs n’ont généralement accès qu’à quelques centaines d’images de numérisation médicale pour des raisons de confidentialité.

«Lorsqu’un modèle d’apprentissage en profondeur est formé avec si peu d’instances, ses performances ont tendance à être médiocres», a déclaré Roberto Vega, auteur principal de l’étude et étudiant diplômé au Département d’informatique.

«Dans notre étude, nous avons abordé le problème de la façon d’apprendre des modèles d’apprentissage en profondeur efficaces pour les tâches médicales avec peu d’instances de formation. L’idée principale est que nous pouvons tirer parti des connaissances présentes dans la littérature médicale pour mieux guider le processus d’apprentissage.

Les améliorations de performances proviennent de l’apprentissage de l’algorithme sur des images médicales ainsi que de leur diagnostic «probabiliste» correspondant, fourni indirectement par des experts médicaux. Cette approche permet à l’algorithme d’apprendre les modèles qui caractérisent chaque maladie dans les scans, ce qui lui permet de prédire quelle maladie est montrée dans le scan d’un nouveau patient ou si le scan semble sain.

«Notre approche a à la fois amélioré la précision de classification du modèle et fourni une confiance significative dans sa prédiction, donnant une estimation de la probabilité qu’une maladie soit présente dans une analyse», a déclaré Vega.

<< Avec cette recherche, nous voulons fournir aux radiologues de meilleurs outils qui facilitent, accélèrent et rendent leur travail plus efficace. Nous avons également le problème de la rareté du personnel médical, problème qui est exacerbé dans les pays en développement. Nous espérons que nous le pourrons développer des modèles qui permettent à nos experts médicaux de prendre de meilleures décisions. "

Le travail de beaucoup

La recherche comprend des contributions significatives de Pouneh Gorji, diplômé posthume du Département d’informatique et victime de la tragédie du vol PS752. En janvier 2020, Gorji et Arash Pourzarabi sont rentrés chez eux en Iran pour se marier et étaient deux des quatre membres de la communauté de la Faculté des sciences parmi les 176 personnes tuées dans le vol PS752.

Pour l’équipe, la recherche est également l’occasion d’honorer l’héritage de Gorji et ses contributions critiques au projet. Lorsque les chercheurs ont commencé le projet, l’algorithme était exclusivement axé sur la dysplasie de la hanche, a expliqué Vega. Gorji travaillait sur le développement de modèles d’apprentissage automatique pour identifier la stéatose hépatique, et c’est son arrivée dans l’équipe qui a finalement conduit à une refonte de l’algorithme et à une percée en termes de performances.

« L’algorithme d’origine ne fonctionnait pas pour le foie gras, alors Pouneh et moi avons commencé à travailler ensemble pour résoudre le problème. Après plusieurs semaines, nous avons découvert une faille importante dans l’approche originale et nous avons pu proposer une solution – celle qui impliquait un nouvelle façon mathématique d’aborder une section du modèle », a déclaré Vega.

«Le travail que nous avons fait ensemble a été la clé du succès de notre approche et c’est ce qui a conduit à la publication éventuelle de cette recherche. Cette publication n’existerait pas sans sa contribution.

L’étude, «Exemple d’apprentissage efficace des classificateurs de diagnostic basés sur l’image à l’aide d’étiquettes probabilistes», sera présentée à la Conférence internationale sur l’intelligence artificielle et les statistiques (AISTATS ’21). Il est également disponible via arXiv.


L’apprentissage en profondeur permet un double dépistage du cancer et des maladies cardiovasculaires


Plus d’information:
Exemple d’apprentissage efficace des classificateurs de diagnostic basés sur l’image à l’aide d’étiquettes probabilistes. arXiv: 2102.06164v1 [cs.CV] arxiv.org/abs/2102.06164

Fourni par l’Université de l’Alberta

Citation: Nouveau modèle d’apprentissage en profondeur alimenté par l’IA pour soutenir le diagnostic médical (2021, 28 mai) récupéré le 28 mai 2021 sur https://techxplore.com/news/2021-05-ai-powered-deep-medical-diagnostics.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable 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.