Intelligence Artificielle et Radiologie

  C’est à partir de 2012 que les systèmes de « deep learning » se sont développés et donc les applications en imagerie médicale. Il existe 3 raisons à cette avancée majeure :  

• Une augmentation très significative des capacités de calculs des processeurs et des cartes vidéo ;
• Le développement d’un logiciel de correction d’erreurs appelé rétro propagation des erreurs (ou « back-propagation of errors »). Ce système consiste grossièrement à partir du résultat, si celui-ci est erroné, à remonter le réseau pour trouver les bons réglages qui permettent d’aboutir au résultat attendu.
• La disponibilité de très grosses bases d’images référencées. Ce dernier point est particulièrement important, car plus le système est complexe, plus il faut d’images pour l’apprentissage.

JP TASU présente quelques applications en imagerie médicale : un système de génération automatique de compte rendu radiologique, un système de prise en charge des AVC en urgences et un système de lecture semi-automatique des radiographies standards. Les limites actuelles de l’intelligence artificielle appliquée à l’imagerie sont expliquées :  

• l’intelligence ne se résume pas à la machine learning,
• la machine learning est uniquement un système corrélatif. Il ne faut pas confondre corrélation et causalité,
• les problèmes des bases de données dont le référencement doit être correct,
• les problèmes de reproductibilité, de sécurité et le contexte légal actuel qui n’est pas totalement adapté à l’intelligence artificielle en médecine. Pour finir, une vision futuriste de ce que pourrait être un département d’imagerie médicale dans le futur est présentée.