Mythes et réalités de « l’IA » en radiologie

De quoi s’agit-il ?

De nouveaux algorithmes ont fait récemment irruption dans le traitement du signal quel qu’il soit : langage, son, image… Ces outils informatiques sont capables de repérer des éléments de l’image et de les décrire. C’est comme cela que les capteurs de futures voitures autonomes repèrent les piétons ou les arbres (utile !) et que vous pouvez faire une recherche dans vos photos stockées sur Google en tapant un mot clé comme « montagne » ou « piscine ». La machine extraira automatiquement toutes vos images de vacances comportant ces deux « objets » car elle est capable de les reconnaître. Alors si l’outil peut reconnaitre une piscine, pourquoi ne reconnaitrait-il pas une fracture du rachis ou un nodule pulmonaire me direz-vous ? Et bien ça marche, et ça marche plutôt pas mal…

Nous autres radiologues étions habitués au CAD (Computer Aided-Detection) depuis longtemps. Le premier en imagerie ostéo-articulaire date de 1963 et détectait les lésions ostéolytiques (1). Le problème de cet outil était souvent son grand nombre de faux positifs le rendant peu utile, voire délétère, en pratique clinique. Les algorithmes récents d’intelligence artificielle, en particulier les réseaux de neurones profonds, sont en train de changer la donne en produisant des outils beaucoup plus performants, générant nettement moins de faux positifs tout en permettant de dépister plus de vraies lésions et en gagnant du temps d’analyse.

Comment cela fonctionne t-il ?

Pour fabriquer ces bidules mathématiques il faut les nourrir avec une grande quantité d’images, idéalement un multiple du millier, certaines équipes allant même jusqu’au million (2). Ces images doivent par ailleurs avoir un label qui les décrit.

La constitution de base de données bien rangées et bien étiquetées devient par conséquent un enjeu majeur. L’utilisation de compte rendus structurés devient également plus nécessaire que jamais pour décrire ces images dans un langage commun et donc reproductible. Enfin, l’entrainement de l’algorithme sur ces données nécessite une grande puissance de calcul fournie par les cartes graphiques initialement dédiées à la puissante industrie du jeu vidéo.

Et in fine, quelles en sont les applications potentielles ?

Les applications potentielles sont nombreuses, sur toute la chaine de production de connaissance depuis la demande d’examen jusqu’à la prise de décision en rapport avec les constatations de l’imagerie, en passant par l’amélioration des protocoles, la priorisation d’urgences vitales ou le dépistage automatique d’incidentalomes. C’est bien ce champ des possibles entrevu à travers ces outils qui expliquent le fort intérêt de la communauté. A nous de trouver les questions pertinentes à résoudre.

Parmi les premières applications en imagerie ostéoarticulaire, pour parler du domaine qui intéresse mon ami Raphaël Guillin, on trouve l’identification automatique de fractures comme celle du poignet dont l’outil de détection a été approuvé par la FDA en mai dernier (3) ou la détection des lésions traumatiques du rachis en scanner.

L’usage de l’intelligence artificielle en IRM est une modalité plus complexe à mettre en œuvre mais de premiers travaux ont fait l’objet de communications au RSNA de cette année 2018, sur le thème de la détection des ruptures du ligament croisé par exemple (4). La mesure automatisée de la sarcopénie est aussi un sujet qui retient l’attention.

Une fois l’outil élaboré, une nouvelle difficulté apparait : l’introduire dans l’environnement de travail du radiologue et ce de manière fluide. A cette fin l’idée dominante à Chicago était ainsi celle des plateformes d’intégration apportant au radiologue et dans un lieu unique un panel représentatif de ces nouveaux outils.

Et le radiologue, dans tout cela ?

Le fantasme du remplacement du radiologue, régulièrement brassé par des média, des informaticiens trop enthousiastes ou des cliniciens peu informés s’estompe bien vite lorsque l’on s’approche de près de ces outils pour constater toute la complexité du travail du médecin radiologue; il ne se résume pas à la simple description d’éléments sémiologiques mais nécessite deux qualités dont les ordinateurs sont encore parfaitement dénués: une représentation du monde et de l’empathie.

Ces ovni mathématiques en cours de développement n’en restent pas moins fascinants et fort prometteurs pour nous aider à nous frayer un chemin dans la jungle toujours plus dense des données de santé et ainsi améliorer la qualité des soins apportés aux patients.

Gaspard d’Assiginies est médecin radiologue, co-fondateur du groupe SFR-IA et entrepreneur du numérique. Il a récemment contribué à la rédaction du Livre Blanc de la communauté française de Radiologie.

1 Lodwick GS, Haun CL, Smith WE, Keller RF, Robertson ED (1963) Computer diagnosis of primary bone tumors: A preliminary report. Radiology 80:273-275)
2 Can Artificial Intelligence Reliably Report Chest X-Rays?
3 FDA permits marketing of artificial intelligence algorithm for aiding providers in detecting wrist fractures 
4 Deep-learning-assisted diagnosis for knee magnetic resonance imaging