L'intelligence artificielle pourrait-elle être l'avenir du diagnostic du cancer?
Dans une étude récente, les chercheurs ont formé un algorithme pour différencier les lésions malignes et bénignes dans les scans de tissu mammaire.
Avec le cancer, la clé du succès du traitement est de l'attraper tôt.
Dans l'état actuel des choses, les médecins ont accès à une imagerie de haute qualité et des radiologues qualifiés peuvent repérer les signes révélateurs d'une croissance anormale.
Une fois identifiée, l'étape suivante consiste pour les médecins à déterminer si la croissance est bénigne ou maligne.
La méthode la plus fiable consiste à faire une biopsie, qui est une procédure invasive.
Même dans ce cas, des erreurs peuvent survenir. Certaines personnes reçoivent un diagnostic de cancer là où il n'y a pas de maladie, tandis que d'autres ne reçoivent pas de diagnostic en cas de cancer.
Les deux résultats provoquent de la détresse et cette dernière situation peut retarder le traitement.
Les chercheurs souhaitent améliorer le processus de diagnostic pour éviter ces problèmes. Détecter si une lésion est maligne ou bénigne de manière plus fiable et sans la nécessité d'une biopsie changerait la donne.
Certains scientifiques étudient le potentiel de l'intelligence artificielle (IA). Dans une étude récente, les scientifiques ont formé un algorithme avec des résultats encourageants.
IA et élastographie
L'élastographie par ultrasons est une technique de diagnostic relativement nouvelle qui teste la rigidité du tissu mammaire. Il y parvient en faisant vibrer le tissu, ce qui crée une onde. Cette onde provoque une distorsion de l'échographie, mettant en évidence les zones du sein où les propriétés diffèrent des tissus environnants.
À partir de ces informations, il est possible pour un médecin de déterminer si une lésion est cancéreuse ou bénigne.
Bien que cette méthode ait un grand potentiel, l'analyse des résultats de l'élastographie prend du temps, implique plusieurs étapes et nécessite la résolution de problèmes complexes.
Récemment, un groupe de chercheurs de la Viterbi School of Engineering de l'Université de Californie du Sud à Los Angeles a demandé si un algorithme pouvait réduire les étapes nécessaires pour tirer des informations de ces images. Ils ont publié leurs résultats dans la revue Méthodes informatiques en mécanique appliquée et en génie.
Les chercheurs voulaient voir s'ils pouvaient former un algorithme pour différencier les lésions malignes et bénignes dans les scintigraphies mammaires. Fait intéressant, ils ont tenté d'y parvenir en entraînant l'algorithme à l'aide de données synthétiques plutôt que de véritables analyses.
Données synthétiques
Lorsqu'on lui a demandé pourquoi l'équipe avait utilisé des données synthétiques, l'auteur principal, le professeur Assad Oberai, a déclaré que cela se résumait à la disponibilité de données réelles. Il explique que «dans le cas de l’imagerie médicale, vous avez de la chance si vous avez 1 000 images. Dans des situations comme celle-ci, où les données sont rares, ces types de techniques deviennent importants. »
Les chercheurs ont formé leur algorithme d'apprentissage automatique, qu'ils appellent un réseau neuronal convolutif profond, en utilisant plus de 12 000 images synthétiques.
À la fin du processus, l'algorithme était précis à 100% sur les images synthétiques; ensuite, ils sont passés à des scans réels. Ils ont eu accès à seulement 10 scans: dont la moitié montrait des lésions malignes et l'autre moitié des lésions bénignes.
«Nous avions un taux de précision d'environ 80%. Ensuite, nous continuons à affiner l'algorithme en utilisant davantage d'images du monde réel comme entrées. »
Prof. Assad Oberai
Bien que 80% soit bon, ce n'est pas assez bon - cependant, ce n'est que le début du processus. Les auteurs pensent que s'ils avaient entraîné l'algorithme sur des données réelles, il aurait pu montrer une précision améliorée. Les chercheurs reconnaissent également que leur test était à une trop petite échelle pour prédire les capacités futures du système.
La croissance de l'IA
Ces dernières années, l'utilisation de l'IA dans le diagnostic suscite un intérêt croissant. Comme l'écrit un auteur:
«L'intelligence artificielle est appliquée avec succès pour l'analyse d'images en radiologie, en pathologie et en dermatologie, avec une vitesse de diagnostic supérieure et une précision parallèle aux experts médicaux.»
Cependant, le professeur Oberai ne pense pas que l'IA puisse jamais remplacer un opérateur humain formé. Il explique que «[l] e consensus général est que ces types d'algorithmes ont un rôle important à jouer, y compris de la part des professionnels de l'imagerie sur lesquels ils auront le plus d'impact. Cependant, ces algorithmes seront plus utiles lorsqu'ils ne servent pas de boîtes noires. Qu'est-ce qui l'a conduit à la conclusion finale? L'algorithme doit être explicable pour qu'il fonctionne comme prévu. »
Les chercheurs espèrent pouvoir étendre leur nouvelle méthode pour diagnostiquer d'autres types de cancer. Partout où une tumeur se développe, cela change le comportement physique d'un tissu. Il devrait être possible de tracer ces différences et de former un algorithme pour les repérer.
Cependant, comme chaque type de cancer interagit si différemment avec son environnement, un algorithme devra surmonter une série de problèmes pour chaque type. Déjà, le professeur Oberai travaille sur des tomodensitogrammes du cancer du rein pour trouver des moyens par lesquels l'IA pourrait y contribuer.
Bien que ce ne soit que les premiers jours de l'utilisation de l'IA dans le diagnostic du cancer, il y a de grands espoirs pour l'avenir.
