Utiliser l’IA et les anciens rapports pour comprendre les nouvelles images médicales

Utiliser l'IA et les anciens rapports pour comprendre les nouvelles images médicales

Exemple de paire image-texte d’une radiographie thoracique et de son rapport radiologique associé. Crédit : Massachusetts Institute of Technology

Obtenir une lecture rapide et précise d’une radiographie ou d’autres images médicales peut être vital pour la santé d’un patient et peut même sauver une vie. L’obtention d’une telle évaluation dépend de la disponibilité d’un radiologue compétent et, par conséquent, une réponse rapide n’est pas toujours possible. Pour cette raison, explique Ruizhi « Ray » Liao, post-doctorant et récent doctorat au Laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT, « nous voulons former des machines capables de reproduire ce que font les radiologues au quotidien ». Liao est le premier auteur d’un nouvel article, écrit avec d’autres chercheurs du MIT et des hôpitaux de la région de Boston, qui est présenté cet automne à MICCAI 2021, une conférence internationale sur l’informatique médicale.

Bien que l’idée d’utiliser des ordinateurs pour interpréter les images ne soit pas nouvelle, le groupe dirigé par le MIT s’appuie sur une ressource sous-utilisée – le vaste corpus de rapports de radiologie qui accompagnent les images médicales, rédigés par des radiologues dans la pratique clinique de routine – pour améliorer les capacités d’interprétation des algorithmes d’apprentissage automatique. L’équipe utilise également un concept de la théorie de l’information appelé information mutuelle, une mesure statistique de l’interdépendance de deux variables différentes, afin de renforcer l’efficacité de leur approche.

Voici comment cela fonctionne : d’abord, un réseau de neurones est formé pour déterminer l’étendue d’une maladie, telle que l’œdème pulmonaire, en lui présentant de nombreuses images radiographiques des poumons des patients, ainsi qu’une évaluation par un médecin de la gravité de chaque cas. . Cette information est encapsulée dans une collection de nombres. Un réseau de neurones distinct fait de même pour le texte, représentant ses informations dans une collection différente de nombres. Un troisième réseau de neurones intègre ensuite les informations entre les images et le texte de manière coordonnée qui maximise les informations mutuelles entre les deux ensembles de données. « Lorsque l’information mutuelle entre les images et le texte est élevée, cela signifie que les images sont hautement prédictives du texte et que le texte est hautement prédictif des images », explique la professeure du MIT Polina Golland, chercheuse principale au CSAIL.

Liao, Golland et leurs collègues ont introduit une autre innovation qui confère plusieurs avantages : plutôt que de travailler à partir d’images entières et de rapports de radiologie, ils décomposent les rapports en phrases individuelles et en portions de ces images auxquelles les phrases se rapportent. Faire les choses de cette façon, dit Golland, « estime la gravité de la maladie avec plus de précision que si vous visualisez l’ensemble de l’image et du rapport. Et parce que le modèle examine des données plus petites, il peut apprendre plus facilement et a plus d’échantillons à former. au. »

Alors que Liao trouve les aspects informatiques de ce projet fascinants, une des principales motivations pour lui est de « développer une technologie cliniquement significative et applicable au monde réel ».

Le modèle pourrait avoir une applicabilité très large, selon Golland. « Il pourrait être utilisé pour tout type d’imagerie et de texte associé, à l’intérieur ou à l’extérieur du domaine médical. Cette approche générale, de plus, pourrait être appliquée au-delà des images et du texte, ce qui est passionnant à penser. »


Anticiper l’insuffisance cardiaque grâce au machine learning


Plus d’information:
Ruizhi Liao et al, Apprentissage de la représentation multimodale via la maximisation des informations mutuelles locales, arXiv:2103.04537v3 [cs.CV] arxiv.org/abs/2103.04537

Fourni par le Massachusetts Institute of Technology

Citation: Utilisation de l’IA et d’anciens rapports pour comprendre de nouvelles images médicales (2021, 27 septembre) récupéré le 27 septembre 2021 sur https://techxplore.com/news/2021-09-ai-medical-images.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.