Diagnostic par ordinateur: ordinateurs médicaux

2008/04/01 Artaetxebarria Artieda, Xabier - Telekomunikazio-ingeniaria Iturria: Elhuyar aldizkaria

• Teknologia
• Medikuntza
• Sariak

Systèmes OBD: Que et pourquoi ?

L'échographie, la radiographie, l'imagerie par résonance magnétique sont nombreuses. Techniques d'imagerie médicale développées au XXe siècle. En plus de l'information anatomique, nous sommes actuellement en mesure d'observer des processus dynamiques comme les mouvements de composés chimiques à travers la tomographie d'émission de positons (PET) dans le corps, ou l'activation des parties du cerveau grâce à l'IRM fonctionnelle. Tout ce matériel a eu un grand développement au siècle dernier, et il semble qu'il va continuer ainsi dans ce siècle.

L'apparition de toutes ces techniques aide les médecins à diagnostiquer et guérir les maladies. Cependant, il ne faut pas oublier que ces images ne montrent qu'une partie de la réalité et que leur interprétation est indispensable. En fait, l'interprétation est une étape critique dans le diagnostic par image et la préparation et l'expérience du médecin sont d'une importance vitale.

Un système de diagnostic par ordinateur (OBD) vise à aider le médecin – généralement radiologue – à interpréter des images radiologiques. Les recherches sur ces systèmes ont leur origine dans les années 1960, mais c'est maintenant le moment où l'impulsion est donnée. En général, le développement d'un système OBD nécessite la participation d'une équipe multidisciplinaire, car les principes d'intelligence artificielle sont utilisés pour répondre aux questions biologiques en traitant des images numériques.

Il est souvent utilisé pour détecter les tumeurs de tout type. Par exemple, ils peuvent aider à diagnostiquer le cancer du sein dans une mammographie ou à rechercher des tumeurs millimétriques pulmonaires dans une image de tomographie axiale informatisée (TAC). Nous prendrons ce dernier exemple pour voir plus en détail l'utilité d'un DBO.

Une figure TC pulmonaire actuelle nous montre la morphologie de cet organe avec une précision approximative d'un millimètre. Cette grande précision implique une grande taille des images. Il n'est pas rare d'obtenir environ 400 coupes axiales (qui séparent le corps de la tête aux jambes) de 512x512 pixels par scanner. Chacune de ces 400 images présente une section pulmonaire, généralement d'un millimètre d'épaisseur.

Si le radiologue souhaite rechercher une tumeur dans ce grand ensemble de données, il devra en observer une à une les 400 sections à la recherche d'un objet sphérique de quelques millimètres. Un travail difficile, dur et de grande responsabilité, sans doute. Par conséquent, n'importe quel radiologue rêve d'un programme informatique qui lui permettrait de lire l'image complète et, au cas où il y aurait une tumeur, la localiser et la dimensionner en quelques minutes. Eh bien, de nombreux groupes de scientifiques travaillent dans le monde pour réaliser ce rêve et le but n'est pas si loin. Mais comment pouvez-vous obtenir quelque chose comme ça?

Fonctionnement des systèmes OBD

Comme tous les travaux difficiles, ce qui semble impossible peut être obtenu en divisant en sections plus simples. Bien que les systèmes OBD puissent être utilisés dans de nombreuses applications, leur fonctionnement peut généralement être divisé en trois étapes.

Prétraitement

L'objectif de cette étape est d'adapter les caractéristiques de l'image pour les tâches suivantes. Par exemple, des filtres peuvent être appliqués pour réduire le bruit de fond de l'image ou réduire la taille (nombre de pixels) pour réduire la complexité des algorithmes qui seront ensuite appliqués.

Segmentation des zones à analyser

Avant de passer à des études spécifiques, il est nécessaire de diviser l'image en plusieurs sections. Par exemple, pour que le système OBD puisse rechercher des tumeurs dans les poumons, il faut d'abord trouver des poumons. Les stratégies de ciblage sont diverses et publiées mensuellement dans des revues spécialisées telles que IEEE Transactions on Medical Imaging.

Une ou une autre technique est utilisée en fonction des caractéristiques de l'image et de la partie à segmenter. Si le contraste entre la partie que nous voulons séparer et le reste de l'image est grand, comme d'habitude dans les images pulmonaires, nous pouvons nous baser sur l'intensité des pixels pour effectuer la segmentation. Ainsi, lorsque l'air apparaît plus sombre que les matériaux du corps, cette information sera utilisée pour séparer les poumons.

Au contraire, la prostate et d'autres organes similaires se trouvent entre des tissus similaires. La segmentation de la prostate est aujourd'hui une étape obligatoire dans la planification radio. Dans ces cas, au lieu de se baser sur l'intensité des pixels, le programme peut « apprendre » les formes et les emplacements possibles de la prostate à partir d'images segmentées précédemment. Cet ensemble d'images qui serviront de référence est appelé atlas. De cette façon, le DBO tentera d'adapter ces formes et les emplacements étudiés à la nouvelle image et par conséquent offrir au médecin une segmentation de la prostate. Cette proposition peut ne pas être tout à fait correcte, donc normalement le médecin peut corriger manuellement.

Comme vous pouvez le voir avec ces deux exemples, la segmentation n'est pas une tâche simple et doit être adaptée à chaque application. Il est souvent impossible de développer des systèmes entièrement automatiques, et souvent la participation de l'utilisateur devient nécessaire.

Classification et évaluation

Cette dernière étape dépend également des exigences de chaque DBO. En général, les résultats finaux seront la nature, la localisation et la taille de la pathologie recherchée. Par exemple, dans le cas de ce programme de détection de tumeurs pulmonaires, les résultats de cette étape seraient la localisation et la taille des tumeurs. Dans le cas de l'interprétation des mammographies, au contraire, le programme marquerait les zones potentiellement touchées par le cancer. Des techniques avancées d'intelligence artificielle sont utilisées pour réaliser ce travail.

En résumé, le DBO analyse la partie image segmentée dans la deuxième étape, à la recherche de zones présentant des caractéristiques différentielles de certaines pathologies. Ces caractéristiques différentielles sont définies directement et indirectement.

Directement, les caractéristiques sont définies lors de la programmation, de sorte que les connaissances des médecins et des programmeurs doivent être utilisées. Par exemple, le programme indiquera que les tumeurs du poumon sont généralement sphériques et compactes, afin de rechercher dans l'image ce type de caractéristiques.

L'option transversale est basée sur les principes de l'intelligence artificielle. En bref, il s'agit que les ordinateurs apprennent par eux-mêmes en utilisant des exemples. Par exemple, nous pouvons présenter des centaines de tumeurs pulmonaires différentes à l'ordinateur et d'autres parties du poumon qui ne sont pas des tumeurs. Le DBO analysera les caractéristiques de tous ces paragraphes, tels que l'intensité, les dérivés partiels, la compacité, la structure, etc. Et enfin, il créera des règles pour classer les parties de l'image en fonction de toutes ces caractéristiques et pour déterminer si elles sont ou non des tumeurs. En d'autres termes, il emploiera nos exemples comme formation pour apprendre les caractéristiques des tumeurs.

Cette dernière étape est essentielle car la différence entre la détection ou non d'une tumeur est très grande. Avec les techniques actuelles, il est impossible d'obtenir une précision de 100%. Le principal problème est que le degré de sensibilité et de spécificité ne peut pas être simultanément très élevé. La sensibilité est la probabilité de les trouver en cas de tumeurs, tandis que la spécificité est la probabilité de classer correctement le non-tumorale. Lorsque vous recherchez une sensibilité accrue, il augmente nécessairement le nombre de faux positifs. Par conséquent, il n'existe actuellement pas de DBO totalement autonome et tous les systèmes utilisés doivent être surveillés par un médecin.

DBO dans la réalité: Sera-t-il utile ?

Les premiers OBD utilisés dans les hôpitaux dans le monde ont été les systèmes d'aide à l'interprétation des mammographies, depuis 1998, ils ont été officiellement reconnus aux États-Unis. Depuis lors, ils ont été principalement utilisés aux États-Unis et en Hollande. Ils sont utilisés pour émettre un second avis, à savoir, au lieu de remplacer le médecin, ils offrent un second avis.

Selon des études antérieures à l'approbation officielle, ces logiciels réduisaient le pourcentage de tumeurs non détectées dans les mammographies. Cependant, selon une étude publiée en avril 2007 dans la prestigieuse revue The New England Journal of Medicine, cette amélioration n'est pas remarquable du tout. Les chercheurs ont analysé les cas de 222.135 femmes qui allaient réaliser des mammographies aux États-Unis entre 1998 et 2002. Dans les cas où le système OBD a été utilisé, 32% de plus des femmes ont appelé à une deuxième étude et 20% de plus ont subi une biopsie mammaire. Cependant, pour chaque tumeur découverte par OBD, il y avait 2000 faux positifs. Comme l'indiquent les chercheurs dans les conclusions de l'article, le DBO réduit considérablement le degré de précision dans l'interprétation des mammographies et l'augmentation du nombre de biopsies n'est pas associée à un plus grand degré de détection des tumeurs.

Les résultats nets de cet article ont refroidi l'optimisme sur les OVD. Il est clair que ces systèmes peuvent être d'une grande aide, mais avant leur implantation dans les hôpitaux, il est nécessaire de démontrer leur utilité par des recherches fiables.

En plus des OBD pour l'interprétation des mammographies, le gouvernement américain a autorisé au cours des derniers mois des logiciels pour l'étude des tumeurs pulmonaires, toujours afin d'utiliser ces logiciels pour émettre un second avis. Autrement dit, les OBD continuent de travailler comme des « assistants » et ne sont en aucun cas capables de remplacer le médecin.

Mais serez-vous capable de le faire à l'avenir? Le développement expérimenté dans ce domaine ces dernières années et le nombre élevé de chercheurs dans le monde permettent de prédire un développement rapide du diagnostic par ordinateur, et il est possible que ces systèmes puissent répondre au travail médical dans certaines tâches avant que prévu. Toutefois, ils ne seront initialement utilisés que pour des tâches très concrètes et toujours sous contrôle médical. À mesure que la technique avance, ils peuvent assumer des tâches de plus en plus complexes et avec moins de supervision. Les médecins peuvent être tranquilles, mais ils ne perdront pas le travail. Et c'est que personne ne se sentirait à l'aise si en allant chez le médecin il y avait un écran d'ordinateur au lieu d'une personne avec tablier blanc.