L’apprentissage profond et l’IA renforcent les techniques de diagnostic médical
Les procédures non invasives basées sur l’image – telles que l’imagerie par résonance magnétique et la tomographie assistée par ordinateur – sont utilisées pour diagnostiquer et surveiller les maladies. À l’ère du calcul haute performance (HPC pour «high-performance computing») et des mégadonnées, les grands ensembles de données d’images provenant de ces procédures peuvent être utilisés pour entraîner des modèles sophistiqués alimentés par l’intelligence artificielle (IA), afin d’identifier et de soutenir de nouvelles méthodes plus efficaces de traitement des patients. Les plus précis et les plus utiles de ces modèles peuvent être inclus dans les systèmes d’aide au diagnostic clinique (SADC). Ces systèmes d’aide clinique, qui rassemblent des données axées sur le patient et comprennent souvent des alertes et des rappels automatisés pour le personnel soignant, constituent un avantage clé potentiel de l’application de l’IA en médecine.
Efficacité et compatibilité des calculs
«D’un point de vue technique, les avantages des SADC sont compris et appréciés», déclare Jon Ander Gomez, responsable technique de DeepHealth, de l’Université polytechnique de Valence (UPV), en Espagne. «Le défi consiste à développer davantage d’adaptations et à s’appuyer sur les développements actuels.» Le projet DeepHealth, financé par l’UE et coordonné par NTT DATA (site web en espagnol), en Espagne, est né de la collaboration entre l’UPV et FISABIO. Ces travaux ont porté sur le traitement des images IRM pour le diagnostic de la maladie d’Alzheimer, ainsi que sur l’imagerie IRM de la colonne vertébrale. «Ce que nous avons observé, c’est un manque d’homogénéité dans les applications logicielles et les bibliothèques permettant de construire des pipelines pour traiter les données médicales – principalement les images – et entraîner plus rapidement les modèles basés sur l’IA», explique Jon Ander Gomez. Un autre besoin identifié est l’amélioration de l’efficacité informatique lors du traitement de grands ensembles de données d’images médicales.
Appliquer des cas de tests médicaux
DeepHealth a donc entrepris d’aider les spécialistes des données du secteur médical à entraîner plus facilement des modèles basés sur l’IA. Deux nouvelles bibliothèques ont été créées à cet effet: European Distributed Deep Learning Library (EDDL) et European Computer Vision Library (ECVL). «L’objectif de l’ECVL était de pouvoir charger des images médicales dans n’importe quel format et d’effectuer les transformations d’images nécessaires à l’entraînement des réseaux neuronaux profonds», note Monica Caballero, coordinatrice du projet DeepHealth chez NTT DATA, en Espagne. La bibliothèque EDDL fournit des fonctionnalités d’apprentissage profond, outre le fait de répartir la charge de travail entre les ressources informatiques disponibles. L’adaptation des deux bibliothèques, pour assurer leur compatibilité avec les différentes plateformes d’exploitation, a été un résultat essentiel. Ces deux bibliothèques ont ensuite été intégrées dans sept plateformes logicielles, puis évaluées à l’aide de 15 cas d’utilisation finale. Ces cas comprenaient, par exemple, le diagnostic du cancer du côlon et le diagnostic du cancer du poumon, ainsi que la prédiction de migraines et la prédiction de crises d’épilepsie. Dans chaque cas, l’équipe du projet a pu démontrer les avantages de l’application des techniques d’apprentissage profond pour le diagnostic de conditions spécifiques.
Un outil libre pour un diagnostic amélioré
L’ECVL et l’EDDL sont les bibliothèques centrales de la boîte à outils de DeepHealth. Elle comprend un back-end qui offre toutes les fonctionnalités des bibliothèques, ainsi qu’un front end qui présente une interface utilisateur basée sur le web. «Cela permet aux scientifiques de données n’ayant pas de connaissances approfondies en matière d’apprentissage profond, de vision par ordinateur ou de calcul intensif de mener à bien toute une série d’applications», explique Jon Ander Gomez. Cette boîte à outils est ouverte et gratuite. «Notre objectif est maintenant de promouvoir l’utilisation de la boîte à outils DeepHealth – et en particulier des bibliothèques DeepHealth – auprès des institutions de recherche et de l’industrie», remarque Monica Caballero. Dans l’intervalle, les bibliothèques, et la boîte à outils dans son ensemble, continueront à être améliorées. En rendant les grands ensembles de données d’images médicales plus accessibles, partageables et efficaces pour le traitement, DeepHealth a apporté une contribution importante à des soins de santé plus ciblés et à l’amélioration du traitement des patients.
Mots‑clés
DeepHealth, biomédical, médical, IRM, IA, libre d’accès, ensembles de données, diagnostics, imagerie
