Intelligence artificielle: de nouveaux outils pour les radiologistes

Par le D^r An Tang, professeur agrégé au Département de radiologie, radio-oncologie et médecine nucléaire de la Faculté de médecine

On entend parfois des scénarios apocalyptiques sur l'avenir de la radiologie à l'ère de l'intelligence artificielle. Avec le temps, le dialogue et les échanges entre les communautés de chercheurs en imagerie médicale et en intelligence artificielle ont permis d'arriver à une meilleure compréhension du rôle de l'intelligence artificielle dans la discipline. Ces réflexions ont mené à un discours plus nuancé et productif sur l'utilisation et l'intégration de nouveaux outils dans le flux de travail clinique.

Le travail des médecins radiologistes comprend de nombreuses tâches, dont les plus rapides comme la détection d'une anomalie ou les plus répétitives comme les mesures se prêtent bien à l'automatisation.

D'autres tâches, telle la comparaison entre différentes modalités d'imagerie ‒ une échographie antérieure et un examen d'imagerie par résonance magnétique ‒, requièrent davantage de souplesse intellectuelle. Enfin, les procédures interventionnelles demandent une dextérité manuelle et un sens commun pour s'adapter à des situations changeantes.

Adoption d'outils d'intelligence artificielle

Certains outils reposant sur des techniques d'intelligence artificielle sont déjà intégrés. Le meilleur exemple est l'emploi de la reconnaissance vocale pour la transcription des comptes rendus dictés par les radiologistes interprétant les images médicales. Encore loin d'être parfaite, elle exige des vérifications et une vigilance constante en raison des ambiguïtés liées à la transcription et du risque d'erreurs médicales.

Reconnaissance d'images

Dans le domaine de la reconnaissance d'images, le succès des techniques d'apprentissage profond (deep learning) pour identifier le contenu d’images médicales annonce un potentiel prometteur en radiologie. Dans le domaine de la recherche en imagerie oncologique, on voit notamment apparaître des exemples d'applications pour la détection, la délimitation et la classification de tumeurs.

Il reste cependant des défis à relever avant d'envisager un usage clinique de ces outils de reconnaissance d'images. Ceux-ci doivent être suffisamment fiables pour donner des résultats reproductibles, malgré l'acquisition d'images sur différents appareils et qui sont parfois dégradées par le mouvement ou par des éléments tels que des agrafes chirurgicales masquant une anomalie.

Ils doivent également demeurer performants pour de petites tumeurs. Enfin, la performance observée sur un jeu de données d'entraînement doit être généralisable à de nouveaux cas que ces algorithmes n'ont jamais rencontrés auparavant.

Interactions

On peut anticiper un futur rapproché où les radiologistes vont interagir avec des logiciels dans l’exécution de tâches complémentaires. Au-delà de la reconnaissance d'images, il restera à expliquer les conclusions, convenir d'un plan de traitement et réaliser des interventions telles que des biopsies ou des ablations tumorales. Selon le principe de précaution, il y aura une période de transition où les radiologistes vont observer, interagir, corriger et valider les prédictions informatisées avant d'envisager une automatisation complète.

En résumé, l'apprentissage profond est une révolution qui aura de nombreuses applications en radiologie. Celles-ci seront bienvenues pour automatiser certaines tâches, faciliter le travail du radiologiste et améliorer les soins aux patients.

La radiologie a su intégrer au fil du temps de nouvelles technologies et les sciences fondamentales. Considérant les succès de l'apprentissage profond, la discipline devra faire une place aux concepts d'informatique afin de profiter pleinement des forces de ces outils et d'en connaître les limites.

Le D^r An Tang est clinicien-chercheur et boursier du Fonds de recherche du Québec ‒ Santé. Il a récemment publié un livre blanc sur l'intelligence artificielle en radiologie pour l'Association canadienne des radiologistes.