L’intelligence artificielle pourrait révolutionner les soins médicaux.

L’intelligence artificielle pourrait révolutionner les soins médicaux.

L’intelligence artificielle (IA) est prête à faire progresser l’exercice de la médecine, en améliorant l’efficacité et la précision du diagnostic dans les spécialités qui s’appuient sur l’imagerie, comme la radiologie et la pathologie. Mais au fur et à mesure que la technologie progresse, les experts sont aux prises avec ses inconvénients potentiels.

« Rien qu’en travaillant avec la technologie, je vois beaucoup de façons dont elle peut échouer « , dit Albert Hsiao, un radiologiste de l’Université de Californie à San Diego, qui a développé des algorithmes pour lire les images cardiaques et améliorer leur qualité. Une préoccupation majeure : La plupart des logiciels d’IA sont conçus et testés dans un hôpital, et ils risquent de faiblir lorsqu’ils sont transférés dans un autre.

Le mois dernier, dans le Journal of the American College of Radiology, des scientifiques, des organismes de réglementation et des médecins du gouvernement américain ont publié une feuille de route décrivant comment convertir l’IA fondée sur la recherche en imagerie médicale améliorée pour les patients. Entre autres choses, les auteurs préconisent une plus grande collaboration entre les disciplines dans l’élaboration et la mise à l’essai des algorithmes d’IA, ainsi qu’une validation intensive des algorithmes avant qu’ils n’atteignent les patients. Pour l’instant, Hsiao dit : « Je voudrais un médecin humain quoi qu’il arrive », même si une machine fredonne à côté.

La plupart des IA en médecine sont utilisées dans la recherche, mais les organismes de réglementation ont déjà approuvé certains algorithmes pour les radiologistes. Les médecins sont également en train de mettre au point leur propre technologie, qu’ils sont autorisés à utiliser sans approbation réglementaire tant que les entreprises ne commercialisent pas la nouvelle technologie. Les études testent des algorithmes pour lire les radiographies, détecter les saignements cérébraux, localiser les tumeurs, et plus encore.

Les algorithmes apprennent au fur et à mesure que les scientifiques les nourrissent de centaines ou de milliers d’images de mammographies, par exemple en formant la technologie pour reconnaître les modèles plus rapidement et plus précisément qu’un humain ne le pourrait.

« Si je fais une IRM d’un cœur en mouvement, je peux demander à l’ordinateur de prédire où se situera le cœur dans la fraction de seconde qui suit et d’obtenir une meilleure image plutôt qu’une image floue « , dit Krishna Kandarpa, radiologiste cardiovasculaire et interventionnel au National Institute of Biomedical Imaging and Bioengineering à Bethesda, Maryland.

Ou encore, l’IA peut analyser les tomographies informatisées des têtes d’AVC suspectés, étiqueter celles qui sont plus susceptibles de présenter un saignement cérébral et les placer sur le dessus de la pile pour que le radiologiste puisse les examiner. Un algorithme pourrait aider à repérer les tumeurs du sein dans les mammographies que les yeux d’un radiologiste risquent de manquer.

Mais Eric Oermann, neurochirurgien à l’hôpital Mount Sinai de New York, a exploré un inconvénient des algorithmes : Les signaux qu’ils reconnaissent peuvent avoir moins à voir avec la maladie qu’avec d’autres caractéristiques du patient, la marque de l’appareil d’IRM ou même l’angle du scanner.

Avec ses collègues, M. Oermann a mis au point un modèle mathématique pour détecter les schémas de pneumonie et l’a entraîné à l’aide de radiographies de patients de l’hôpital Mount Sinai. L’hôpital a une unité de soins intensifs très occupée avec de nombreuses personnes âgées, qui sont souvent hospitalisées pour une pneumonie ; 34 % des radiographies du Mont-Sinaï provenaient de patients infectés.

Lorsque l’algorithme a été testé sur un lot différent de radiographies du mont Sinaï, il a fonctionné admirablement, détectant avec précision la pneumonie 93 % du temps. Mais Oermann l’a également testé sur des dizaines de milliers d’images provenant de deux autres sites : le National Institutes of Health Clinical Center à Bethesda et le Indiana Network for Patient Care.

Avec les radiographies de ces endroits – où les taux de pneumonie ont tout juste dépassé 1 % – le taux de réussite a chuté, allant de 73 % à 80 %, a rapporté l’équipe l’an dernier dans PLOS Medicine. « Cela n’a pas aussi bien fonctionné parce que les patients des autres hôpitaux étaient différents « , explique M. Oermann.

À l’hôpital Mont-Sinaï, de nombreux patients infectés étaient trop malades pour sortir du lit et les médecins ont donc utilisé un appareil de radiographie pulmonaire portatif. Les images radiographiques portables sont très différentes de celles créées lorsqu’un patient est debout.

À cause de ce qu’il a appris des radiographies de l’hôpital Mont-Sinaï, l’algorithme a commencé à associer une radiographie portative à une maladie. Elle anticipait également un taux élevé de pneumonie.

Peu d’études multisites comme celle d’Oermann ont été publiées, et la feuille de route du mois dernier a jugé cela inquiétant. Cette année, une équipe sud-coréenne a publié dans le Korean Journal of Radiology une analyse de 516 études d’algorithmes d’IA conçus pour interpréter des images médicales. Les auteurs ont constaté que seulement 6 % des études ont testé leur algorithme dans plus d’un hôpital.

« C’est très inquiétant « , dit Elaine Nsoesie, une épidémiologiste informatique de l’Université de Boston qui n’a pas participé aux travaux. Même la marque du scanner est importante, car le modèle de pixels peut varier, ce qui perturbe la façon dont l’IA évalue l’image.

Une façon d’éviter cet écueil, dit M. Nsoesie, est de tester un algorithme à l’aide de données provenant de plusieurs hôpitaux. Les chercheurs commencent à le faire, dit-elle, « mais moins que vous ne le pensez. » Un exemple rare est un algorithme d’abord formé et testé sur des données au Lucile Packard Children’s Hospital de Stanford à Palo Alto, Californie, et au Children’s Hospital Col.

patrick