Le cancer du poumon, le cancer le plus répandu dans le monde, est ciblé par la radiothérapie (RT) dans près de la moitié des cas. La planification de la RT est un processus manuel, gourmand en ressources, qui peut prendre des jours, voire des semaines, et même les médecins hautement qualifiés varient dans leurs déterminations de la quantité de tissu à cibler avec le rayonnement. En outre, la pénurie de praticiens et de cliniques de radio-oncologie dans le monde devrait s’aggraver à mesure que les taux de cancer augmentent. Les chercheurs et collaborateurs du Brigham and Women’s Hospital, travaillant dans le cadre du programme d’intelligence artificielle en médecine du général de masse Brigham, ont développé et validé un algorithme d’apprentissage en profondeur qui peut identifier et décrire («segmenter») une tumeur du cancer du poumon non à petites cellules (NSCLC) sur une tomodensitométrie (TDM) en quelques secondes. Leurs recherches, publiées dans Lancet Santé numériquedémontre également que les radio-oncologues utilisant l’algorithme dans des cliniques simulées ont obtenu d’aussi bons résultats que les médecins n’utilisant pas l’algorithme, tout en travaillant 65 % plus rapidement.
“La plus grande lacune de traduction dans les applications de l’IA à la médecine est l’incapacité d’étudier comment utiliser l’IA pour améliorer les cliniciens humains, et vice versa”, a déclaré l’auteur correspondant Raymond Mak, MD, du département de radio-oncologie de Brigham. « Nous étudions comment établir des partenariats et des collaborations homme-IA qui se traduisent par de meilleurs résultats pour les patients. Les avantages de cette approche pour les patients comprennent une plus grande cohérence dans la segmentation des tumeurs et des délais de traitement accélérés. Les avantages pour les cliniciens comprennent une réduction des banales mais un travail informatique difficile, qui peut réduire l’épuisement professionnel et augmenter le temps qu’ils peuvent passer avec les patients.”
Les chercheurs ont utilisé des images CT de 787 patients pour entraîner leur modèle à distinguer les tumeurs des autres tissus. Ils ont testé les performances de l’algorithme en utilisant des analyses de plus de 1 300 patients provenant d’ensembles de données de plus en plus externes. Le développement et la validation de l’algorithme ont impliqué une étroite collaboration entre les data scientists et les radio-oncologues. Par exemple, lorsque les chercheurs ont observé que l’algorithme segmentait de manière incorrecte les tomodensitogrammes impliquant les ganglions lymphatiques, ils ont recyclé le modèle avec davantage de ces scans pour améliorer ses performances.
Enfin, les chercheurs ont demandé à huit radio-oncologues d’effectuer des tâches de segmentation ainsi que d’évaluer et de modifier les segmentations produites soit par un autre médecin expert, soit par l’algorithme (on ne leur a pas dit lequel). Il n’y avait pas de différence significative de performance entre les collaborations homme-IA et celles produites par l’homme (encore) segmentations. Curieusement, les médecins ont travaillé 65 % plus rapidement et avec 32 % de variation en moins lors de l’édition d’une segmentation produite par l’IA par rapport à une segmentation produite manuellement, même s’ils ne savaient pas laquelle ils éditaient. Ils ont également évalué la qualité des segmentations dessinées par l’IA plus haut que les segmentations dessinées par des experts humains dans cette étude en aveugle.
À l’avenir, les chercheurs prévoient de combiner ce travail avec des modèles d’IA qu’ils ont conçus précédemment qui peuvent identifier les “organes à risque” de recevoir des radiations indésirables pendant le traitement du cancer (comme le cœur) et ainsi les exclure de la radiothérapie. Ils continuent d’étudier comment les médecins interagissent avec l’IA pour s’assurer que les partenariats d’IA aident, plutôt que de nuire, à la pratique clinique, et développent un deuxième algorithme de segmentation indépendant qui peut vérifier à la fois les segmentations humaines et celles tirées par l’IA.
“Cette étude présente une nouvelle stratégie d’évaluation des modèles d’IA qui met l’accent sur l’importance de la collaboration homme-IA”, a déclaré le co-auteur Hugo Aerts, PhD, du Département de radio-oncologie. “Cela est particulièrement nécessaire car en silicone Les évaluations (modélisées par ordinateur) peuvent donner des résultats différents de ceux des évaluations cliniques. Notre approche peut aider à ouvrir la voie au déploiement clinique.”
Cette étude a été financée par les National Institutes of Health (U24CA194354, U01CA190234 et U01CA209414).
Source de l’histoire :
Matériaux fourni par Hôpital Brigham et pour femmes. Remarque : Le contenu peut être modifié pour le style et la longueur.
