Apport de l’intelligence artificielle dans le post-traitement de l’imagerie thoracique - 15/02/24

L’apport de l’intelligence artificielle (IA) en imagerie médicale est un sujet qui suscite actuellement de très nombreuses expérimentations. Le développement des méthodes dites en deep learning (DL), en particulier l’usage des réseaux neuronaux de convolution (CNNs), permet des gains de performances comparés aux méthodes classiques de machine learning. La radiomique est une autre approche dont l’objectif est d’extraire, au sein des images exprimant une pathologie, un grand nombre de données quantitatives, non accessibles à l’œil humain, qui viennent alimenter des modèles de machine learning pour fournir des probabilités diagnostiques ou pronostiques. La radiographie thoracique offre un domaine presque parfait pour le développement des algorithmes de DL pour une interprétation automatique des examens. Les algorithmes actuels sont capables de détecter jusqu’à 14 types d’anomalies, quand elles sont présentes, de façon isolée ou en association. Le scanner thoracique est un autre champ important d’application de l’IA. Différents algorithmes sont entraînés, puis validés, spécifiquement pour la détection et caractérisation de nodules pulmonaires, la détection d’embolie pulmonaire ou l’analyse quantitative de l’étendue des maladies diffuses pulmonaires (emphysème, atteintes des bronches et bronchioles, pneumonies infectieuses, pneumonies interstitielles). L’analyse des images peut aussi être associée à celles des données cliniques, biologiques ou fonctionnelles (analyse multi-omics) pour des approches prédictives de pronostic ou de réponse aux traitements.

The contribution of artificial intelligence (AI) to medical imaging is currently the object of widespread experimentation. The development of deep learning (DL) methods, particularly convolution neural networks (CNNs), has led to performance gains often superior to those achieved by conventional methods such as machine learning. Radiomics is an approach aimed at extracting quantitative data not accessible to the human eye from images expressing a disease. The data subsequently feed machine learning models and produce diagnostic or prognostic probabilities. As for the multiple applications of AI methods in thoracic imaging, they are undergoing evaluation. Chest radiography is a practically ideal field for the development of DL algorithms able to automatically interpret X-rays. Current algorithms can detect up to 14 different abnormalities present either in isolation or in combination. Chest CT is another area offering numerous AI applications. Various algorithms have been specifically formed and validated for the detection and characterization of pulmonary nodules and pulmonary embolism, as well as segmentation and quantitative analysis of the extent of diffuse lung diseases (emphysema, infectious pneumonias, interstitial lung disease). In addition, the analysis of medical images can be associated with clinical, biological, and functional data (multi-omics analysis), the objective being to construct predictive approaches regarding disease prognosis and response to treatment.