Radios d'enfants et scanners de la rétine : une IA qui explique ce qu'elle voit

Pourquoi les IA médicales ont-elles du mal à convaincre ?

Pour aider les médecins, un programme doit d'abord être fiable. Il doit aussi être compréhensible : si l'on ne sait pas pourquoi il donne une réponse, il est difficile de lui faire confiance. Ces deux défis freinent l'arrivée des aides à la décision dans les services d'imagerie médicale.

Un autre frein est le besoin de très grandes quantités d'images annotées pour entraîner ces programmes. Or réunir des images bien étiquetées par des médecins coûte du temps et de l'argent.

Les médecins préfèrent aussi savoir sur quoi une IA s'appuie, un peu comme on demande à un collègue d'expliquer son avis.

Que Kermany et ses collègues ont-ils fait ?

Les chercheurs ont construit un outil de dépistage pour des maladies de la rétine qui peuvent rendre aveugle mais qui se soignent. Ils ont utilisé une technique appelée apprentissage par transfert : au lieu de repartir de zéro, le réseau de neurones réutilise ce qu'il a déjà appris sur d'autres images. Il a ainsi besoin d'une fraction des données habituellement nécessaires.

Ils l'ont entraîné sur des images d'OCT (tomographie par cohérence optique), un scanner qui photographie les couches de la rétine en coupe. Ils ont aussi fait en sorte que le programme mette en évidence les régions de l'image qu'il a reconnues, pour rendre son diagnostic plus transparent.

L'idée de départ est simple : un réseau déjà entraîné à reconnaître des formes sur d'autres images garde ses « acquis » et n'a plus qu'à apprendre les particularités des examens médicaux. C'est ce qui permet d'économiser des données.

Qu'ont-ils observé ?

Sur les scanners de l'œil, le programme a classé la dégénérescence maculaire liée à l'âge et l'œdème maculaire diabétique avec des performances comparables à celles d'experts humains. Ce sont deux causes courantes de baisse de la vue qui se soignent mieux quand elles sont repérées tôt.

Les auteurs ont ensuite montré que la même approche fonctionne pour un tout autre problème : le diagnostic de la pneumonie de l'enfant à partir de radiographies du thorax. Cela suggère que la méthode peut s'adapter à plusieurs types d'images médicales.

Les auteurs notent que l'outil pourrait servir à accélérer le diagnostic et l'orientation, ce qui permettrait de traiter plus tôt. Mais ces mots décrivent un espoir, pas un résultat mesuré chez des patients dans l'étude.

Qu'est-ce que cela peut changer pour les patients ?

À terme, un tel outil pourrait aider à accélérer le diagnostic et l'orientation vers un spécialiste pour ces maladies qui se traitent. Plus tôt le traitement commence, meilleurs peuvent être les résultats pour le patient, selon les auteurs.

Ce n'est pas une promesse : l'étude décrit un outil possible, pas un outil déjà utilisé auprès de patients dans les hôpitaux.

Quelles sont les limites de cette étude ?

Il s'agit d'une démonstration de la méthode sur des banques d'images. Elle ne prouve pas que des patients ont été mieux soignés grâce à l'outil. Le résultat sur la pneumonie de l'enfant est présenté comme une preuve que la méthode est généralisable, pas comme un dispositif prêt pour la pratique.

L'étude ne remplace pas les essais menés dans de vrais services, avec de vrais patients, qui seraient nécessaires avant tout usage de routine.