Supporting doctors through artificial intelligence

Pour que les promesses que nous fait miroiter l’intelligence artificielle (IA) se réalisent dans le domaine de l’imagerie médicale, il faut d’abord nourrir la bête. Mais en plus d’exiger une grande quantité de données, la tâche humaine qui consiste à annoter les images est chronophage. Sans compter que, dans le domaine médical, les images des patients proviennent de différentes sources (IRM, scanner, etc.), ce qui complique leur interprétation par la machine; de plus, pour un même type d’images, celles-ci varient beaucoup d’un hôpital à l’autre.

Pour répondre à ces défis, José Dolz, professeur au Département de génie logiciel et TI à l’École de technologie supérieure (ETS), développe des approches d’apprentissage machine à faible supervision qui peuvent aussi combiner plusieurs types d’images. Ce coup de pouce aux médecins aiderait, par exemple, à diagnostiquer un cancer, proposer un type de traitement ou suivre l’évolution de la maladie. L’objectif? Que la machine puisse poser de bons diagnostics grâce à plusieurs images issues de la même région, même en l’absence de certaines informations.

Le chercheur et son équipe ont donc travaillé sur des images du domaine public de tumeurs cérébrales, notamment des glioblastomes – des tumeurs particulièrement agressives qui représentent la forme la plus fréquente et la plus mortelle des cancers du cerveau chez l’adulte –, pour entraîner leurs modèles, qui se sont avérés très performants. Les résultats obtenus permettent par ailleurs d’appliquer leur méthode à n’importe quels types d’images multimodales, par exemple, pour le suivi du cancer de la prostate.

Si ces modèles ne sont pas encore disponibles dans les bureaux des médecins, de nombreuses avancées ont été faites et les travaux se poursuivent pour pouvoir amorcer des recherches cliniques. La prochaine étape? Que la machine fasse un peu plus preuve de modestie et apprenne, le cas échéant, à avouer qu’elle ne sait pas. Parce que, pour que les médecins puissent l’intégrer à leur pratique, il faudra qu’elle soit fiable, quel que soit le cas clinique.

Référence

Gaurav Patel et José Dolz (2022). Weakly supervised segmentation with cross-modality equivariant constraints. Medical Image Analysis, vol. 77. https://doi.org/10.1016/j.media.2022.102374