Une équipe interdisciplinaire de chercheurs de l’Université de Waterloo a développé une méthode plus fiable pour diagnostiquer des maladies telles que la COVID-19, la pneumonie et le mélanome à l’aide d’outils d’intelligence artificielle (IA).
Crédit photo : Université de Waterloo
Alexander Wong, professeur d’ingénierie à Waterloo, s’est associé à d’autres chercheurs de l’université, de l’Université McGill et du Conseil national de recherches du Canada pour développer une nouvelle méthode visant à aider les médecins en améliorant le diagnostic assisté par ordinateur grâce à l’apprentissage en profondeur.
Les chercheurs ont développé un système appelé Trustworthy Deep Learning Framework for Medical Image Analysis (TRUDLMIA) qui exploite la puissance de l’apprentissage supervisé et auto-supervisé de l’IA et vise à ouvrir la voie à des progrès dans des modèles de soins de santé puissants et fiables.
Les modèles utilisant l’approche TRUDLMIA surpassent les modèles existants dans diverses tâches, démontrent d’excellents résultats dans le diagnostic du COVID-19, de la pneumonie et du mélanome, et surpassent les modèles spécifiquement conçus pour ces tâches en termes de performances et de fiabilité. Le système proposé sera développé davantage pour faire face aux futures pandémies et syndromes, y compris les effets à long terme associés au COVID-19.
Dr. Alexander Wong, gestionnaire de projet, Chaire de recherche du Canada en imagerie médicale et intelligence artificielle
L’imagerie médicale et l’apprentissage profond peuvent améliorer l’IA médicale en aidant au diagnostic, à la prédiction et au pronostic. L’un des principaux problèmes liés à l’utilisation de l’apprentissage profond pour l’analyse d’images médicales est la présence de biais dans les données, le manque de confiance et de responsabilité, ainsi que les difficultés d’interprétation des données existantes.
L’innovation de TRUDLMIA fonctionne en trois étapes pour entraîner le système d’IA. Tout d’abord, il apprend à partir d’un très grand ensemble de données générales étiquetées dans un processus de pré-formation, puis il apprend à la fois à partir de données générales et de données spécifiques à un domaine (par exemple, des données médicales) sans étiquettes dans un processus d’apprentissage auto-supervisé. Enfin, l’IA sera affinée avec des données étiquetées spécifiques à une tâche (par exemple, des données de diagnostic clinique), dans le but spécifique de remédier aux déséquilibres et aux biais des données et d’améliorer la fiabilité de l’IA.
“Développé en collaboration avec des médecins, TRUDLMIA est en passe de révolutionner l’analyse d’images médicales“, a déclaré l’employé Dr. Pengcheng Xi, agent de recherche principal au Conseil national de recherches du Canada. “En mettant l’accent sur l’amélioration de la précision du diagnostic, l’augmentation de la confiance et l’adaptation à diverses spécialités médicales, TRUDLMIA vise à être un allié des médecins, à permettre des interventions rapides pour les patients et à soutenir les soignants grâce à des soins préventifs..»
Source:
Référence du magazine :
Maman, K., et coll. (2023). Vers la création d’un cadre d’apprentissage profond fiable pour l’analyse d’images médicales. Capteurs. est ce que je.org/10.3390/s23198122.