Des chercheurs de Microsoft’s IA pour Good Lab et de l’Université de Washington ont dévoilé un nouveau modèle d’IA qui détecte le cancer du sein dans des scans d’IRM avec une précision sans précédent. Le système, détaillé dans la radiologie de la revue , il apprend l’approche traditionnelle sur sa tête.
Au lieu de l’entraînement sur les images cancéreuses, il apprend à ce que ressemble à des tissus sains et sains. Cette méthode, une collaboration avec Fred Hutchinson Cancer Center, améliore la détection et génère des cartes thermiques pour guider les radiologues.
La percée pourrait rendre les dépistages IRM très sensibles plus efficaces et accessibles, abordées les défis clés dans le diagnostic précoce du cancer.
Une nouvelle approche pour repérer le cancer
L’innovation du système réside dans une méthode appelée «détection d’anomalie», qui inverse fondamentalement la logique traditionnelle de la formation de l’IA pour les diagnostics médicaux. Au lieu d’être nourri de milliers d’exemples de tumeurs malignes pour savoir à quoi ressemble le cancer, le modèle a été exclusivement entraîné sur des images de tissu mammaire bénin normal. Cette collaboration entre Microsoft, l’Université de Washington et le Fred Hutchinson Cancer Center enseigne efficacement à l’IA à devenir un expert dans ce qui est sain.
Cette stratégie contre-intuitive relève directement d’un défi persistant dans l’IA médical: le déséquilibre des données. Dans les contextes cliniques du monde réel, les ensembles de données contiennent des analyses extrêmement non cancéreuses que celles cancéreuses, ce qui peut fausser les performances des modèles conventionnels.
en se concentrant sur les données «normales» abondantes, les chercheurs ont créé un système plus robuste et efficace. Comme l’a expliqué le professeur UW de radiologie Savannah Partridge: «L’approche, appelée« détection d’anomalie », est logique étant donné que les chercheurs ont beaucoup plus d’images non cancéreuses que celles montrant la maladie, nous sommes donc en mesure de tirer parti de nos données plus efficacement.”
pour construire cette compréhension sophistiquée de la normalité, le modèle était formé sur un vaste ensemble de données de près de 9 500 examens d’IRM collectés à l’Université de Washington sur une période de 17 ans. En analysant cette vaste bibliothèque, l’IA construit une base détaillée de caractéristiques des tissus sains.
Par conséquent, lorsqu’ils sont présentés avec un nouveau scan, il peut signaler n’importe quel domaine qui s’écarte de cette norme établie comme une anomalie potentielle nécessitant une enquête plus approfondie. Cette méthode s’est avérée très efficace dans les études rétrospectives, où le modèle a surperformé les systèmes de classification binaire traditionnels, en particulier dans les scénarios à faible praivalence qui reflètent le dépistage réel de la population.
De la boîte noire à une AI explicable
une obstacle significatif à l’adoption de l’IA en médecine a été le problème de la”boîte noire”, lorsque les modèles offrent un diagnostic sans diagnostic. Ce nouveau système confronte directement ce défi en priorisant l’explication. Sa caractéristique clé est la possibilité de générer une carte thermique visuelle qui superpose l’image IRM, allant au-delà d’une simple sortie binaire «cancer» ou «pas de cancer». Cela transforme l’IA d’un oracle opaque en un partenaire de diagnostic transparent pour les cliniciens.
La carte thermique met en évidence les pixels exacts que l’IA a identifiés comme anormaux, donnant aux radiologues un guide clair et intuitif sur l’endroit où concentrer leur attention. Cette localisation au niveau des pixels peut aider à hiérarchiser les cas qui nécessitent un examen plus rapide, des fournisseurs de guidage pour commander une imagerie supplémentaire ou indiquer le domaine précis qui nécessite une biopsie. Comme Felipe Oviedo, analyste de recherche principal de Microsoft’s AI for Good Lab, l’a noté: «Notre modèle fournit une explication compréhensible au niveau des pixels de ce qui est anormal dans un sein». La crédibilité du modèle est encore renforcée par une validation rigoureuse, où son HEATMAPS s’est avéré être significativement différent des annotations manuelles tirées par des radiologues humains experts . En montrant son travail, le modèle fournit un résultat vérifiable qui renforce plutôt que les professionnels de la santé. Une validation supplémentaire est nécessaire pour voir comment elle se comporte contre les radiologues dans des paramètres du monde réel.
Le but est d’augmenter, pas de remplacer l’expertise humaine. Savannah Partridge, qui est également directrice de recherche de l’imagerie mammaire à UW, espère que la technologie élargira l’accès à un puissant outil de dépistage.”Nous espérons pouvoir offrir une IRM mammaire à plus de femmes que de nos jours, car c’est un outil de dépistage mammaire vraiment sensible”, a-t-elle déclaré.
L’équipe souligne la nécessité d’une intégration prudente et sûre dans les flux de travail cliniques. Partridge a réussi le défi succinctement:”Ce n’est pas utilisé [AI], ou non, mais comment l’utilisez-vous? Comment l’utilisez-vous de manière appropriée et en toute sécurité?”Pour faciliter les recherches, le du modèle a été mis à disposition sur Github .
