Un outil d’intelligence artificielle qui peut aider à détecter le mélanome

Un outil d'intelligence artificielle qui peut aider à détecter le mélanome

Comment cela fonctionne: Une image grand champ, acquise avec un appareil photo de smartphone, montre de grandes sections de peau d’un patient dans un cadre de soins primaires. Un système automatisé détecte, extrait et analyse toutes les lésions cutanées pigmentées observables dans l’image grand champ. Un réseau neuronal convolutif profond (DCNN) pré-formé détermine la suspicion des lésions pigmentées individuelles et les marque (jaune = envisager une inspection plus approfondie, rouge = nécessite une inspection plus approfondie ou une référence à un dermatologue). Les caractéristiques extraites sont utilisées pour évaluer davantage les lésions pigmentées et pour afficher les résultats dans un format de carte thermique. Crédit: Animation fournie par les chercheurs.

Le mélanome est un type de tumeur maligne responsable de plus de 70% de tous les décès liés au cancer de la peau dans le monde. Pendant des années, les médecins se sont appuyés sur l’inspection visuelle pour identifier les lésions pigmentées suspectes (SPL), qui peuvent être une indication d’un cancer de la peau. Une telle identification précoce des SPL dans les établissements de soins primaires peut améliorer le pronostic du mélanome et réduire considérablement le coût du traitement.

Le défi est qu’il est difficile de trouver et de hiérarchiser rapidement les SPL, en raison du volume élevé de lésions pigmentées qui doivent souvent être évaluées pour d’éventuelles biopsies. Désormais, des chercheurs du MIT et d’ailleurs ont mis au point un nouveau pipeline d’intelligence artificielle, en utilisant des réseaux de neurones à convolution profonde (DCNN) et en les appliquant à l’analyse des SPL grâce à l’utilisation de la photographie à grand champ courante dans la plupart des smartphones et appareils photo personnels.

Les DCNN sont des réseaux neuronaux qui peuvent être utilisés pour classer (ou «nommer») des images pour les regrouper ensuite (par exemple lors d’une recherche de photos). Ces algorithmes d’apprentissage automatique appartiennent au sous-ensemble de l’apprentissage profond.

En utilisant des caméras pour prendre des photographies à grand champ de grandes zones du corps des patients, le programme utilise les DCNN pour identifier et dépister rapidement et efficacement le mélanome à un stade précoce, selon Luis R. Soenksen, un post-doctorant et un expert en dispositifs médicaux agissant actuellement en tant que Premier Venture Builder du MIT dans l’intelligence artificielle et la santé. Soenksen a mené la recherche avec des chercheurs du MIT, y compris des membres du corps professoral de l’Institut du MIT pour le génie médical et les sciences (IMES) Martha J. Gray, W. Kieckhefer Professeur de sciences et technologies de la santé, professeur de génie électrique et d’informatique; et James J. Collins, professeur Termeer de génie médical et de sciences et génie biologique.

Soenksen, qui est le premier auteur du récent article, « Utilisation de l’apprentissage en profondeur pour la détection au niveau des dermatologues de lésions cutanées pigmentées suspectes à partir d’images à grand champ », publié dans Médecine translationnelle scientifique, explique que «la détection précoce des SPL peut sauver des vies; cependant, la capacité actuelle des systèmes médicaux à fournir des dépistages cutanés complets à grande échelle fait encore défaut.

L’article décrit le développement d’un système d’analyse SPL utilisant les DCNN pour identifier plus rapidement et plus efficacement les lésions cutanées qui nécessitent plus d’investigations, des dépistages qui peuvent être effectués lors de visites de routine de soins primaires, ou même par les patients eux-mêmes. Le système a utilisé les DCNN pour optimiser l’identification et la classification des SPL dans les images à grand champ.

À l’aide de l’IA, les chercheurs ont formé le système en utilisant 20 388 images grand champ de 133 patients de l’hôpital Gregorio Marañón de Madrid, ainsi que des images accessibles au public. Les images ont été prises avec une variété d’appareils photo ordinaires qui sont facilement accessibles aux consommateurs. Les dermatologues travaillant avec les chercheurs ont classé visuellement les lésions sur les images à des fins de comparaison. Ils ont constaté que le système atteignait une sensibilité de plus de 90,3% pour distinguer les SPL des lésions non suspectes, de la peau et des arrière-plans complexes, en évitant le besoin d’imagerie individuelle des lésions fastidieuses et chronophages. En outre, l’article présente une nouvelle méthode pour extraire la saillance des lésions intra-patient (critères de caneton laid, ou la comparaison des lésions sur la peau d’un individu qui se démarquent des autres) sur la base des caractéristiques DCNN des lésions détectées.

«Nos recherches suggèrent que les systèmes exploitant la vision par ordinateur et les réseaux de neurones profonds, quantifiant ces signes communs, peuvent atteindre une précision comparable à celle des dermatologues experts», explique Soenksen. « Nous espérons que notre recherche revitalisera le désir de fournir des dépistages dermatologiques plus efficaces dans les établissements de soins primaires afin de susciter des références adéquates. »

Cela permettrait des évaluations plus rapides et plus précises du SPLS et pourrait conduire à un traitement plus précoce du mélanome, selon les chercheurs.

Gray, qui est l’auteur principal de l’article, explique comment cet important projet s’est développé: « Ce travail est né d’un nouveau projet développé par des boursiers (cinq des co-auteurs) dans le programme MIT Catalyst, un programme conçu pour nucléer des projets qui résolvent besoins cliniques urgents. Ce travail illustre la vision du passionné de HST / IMES (dans laquelle la tradition Catalyst a été fondée) de tirer parti de la science pour faire progresser la santé humaine.  » Ce travail a été soutenu par Abdul Latif Jameel Clinic for Machine Learning in Health et par la Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid via le Consortium Madrid-MIT M + Visión.


Identifier les «  vilains canetons  » pour attraper un cancer de la peau plus tôt


Plus d’information:
Luis R. Soenksen et coll. Utilisation de l’apprentissage en profondeur pour la détection au niveau des dermatologues des lésions cutanées pigmentées suspectes à partir d’images à grand champ, Médecine translationnelle scientifique (2021). DOI: 10.1126 / scitranslmed.abb3652

Fourni par le Massachusetts Institute of Technology

Cette histoire est republiée avec l’aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement du MIT.

Citation: Un outil d’intelligence artificielle qui peut aider à détecter le mélanome (2021, 7 avril) récupéré le 14 avril 2021 sur https://techxplore.com/news/2021-04-artificial-intelligence-tool-melanoma.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.