À gauche de chaque quadrant se trouve une image radiographique réelle du thorax d'un patient et à côté, la radiographie de synthèse formulée par le DCGAN. Sous les images radiographiques se trouvent les cartes thermiques correspondantes, c'est ainsi que le système d'apprentissage automatique voit les images. Crédit :Hojjat Salehinejad/MIMLab
L'intelligence artificielle (IA) détient un réel potentiel pour améliorer à la fois la vitesse et la précision des diagnostics médicaux. Mais avant que les cliniciens puissent exploiter la puissance de l'IA pour identifier les conditions dans des images telles que les rayons X, ils doivent « enseigner » aux algorithmes ce qu'ils doivent rechercher.
L'identification de pathologies rares dans les images médicales a représenté un défi persistant pour les chercheurs, en raison de la rareté des images pouvant être utilisées pour former des systèmes d'IA dans un cadre d'apprentissage supervisé.
Le professeur Shahrokh Valaee et son équipe ont conçu une nouvelle approche :utiliser l'apprentissage automatique pour créer des rayons X générés par ordinateur afin d'augmenter les ensembles de formation à l'IA.
« Dans un sens, nous utilisons le machine learning pour faire du machine learning, " dit Valée, professeur au département Edward S. Rogers Sr. de génie électrique et informatique (ECE) de l'Université de Toronto. "Nous créons des rayons X simulés qui reflètent certaines conditions rares afin de pouvoir les combiner avec des rayons X réels pour disposer d'une base de données suffisamment grande pour entraîner les réseaux de neurones à identifier ces conditions dans d'autres rayons X."
Valaee est membre du Machine Intelligence in Medicine Lab (MIMLab), un groupe de médecins, des scientifiques et des ingénieurs-chercheurs qui conjuguent leurs expertises en traitement d'images, l'intelligence artificielle et la médecine pour résoudre les problèmes médicaux. "L'IA a le potentiel d'aider de multiples façons dans le domaine de la médecine, " dit Valaee. " Mais pour ce faire, nous avons besoin de beaucoup de données - les milliers d'images étiquetées dont nous avons besoin pour faire fonctionner ces systèmes n'existent tout simplement pas pour certaines conditions rares. "
Pour créer ces rayons X artificiels, l'équipe utilise une technique d'IA appelée réseau accusatoire génératif à convolution profonde (DCGAN) pour générer et améliorer continuellement les images simulées. Les GAN sont un type d'algorithme composé de deux réseaux :l'un qui génère les images et l'autre qui essaie de discriminer les images synthétiques des images réelles. Les deux réseaux sont entraînés au point que le discriminateur ne peut pas différencier les images réelles des images synthétisées. Une fois qu'un nombre suffisant de rayons X artificiels sont créés, ils sont combinés avec de vrais rayons X pour former un réseau neuronal convolutif profond, qui classe ensuite les images comme normales ou identifie un certain nombre de conditions.
« Nous avons pu montrer que les données artificielles générées par un GAN à convolution profonde peuvent être utilisées pour augmenter des ensembles de données réels, ", explique Valaee. "Cela fournit une plus grande quantité de données pour la formation et améliore les performances de ces systèmes dans l'identification de conditions rares."
Professeur Shahrokh Valaee (ECE, à gauche) et le doctorant Hojjat Salehinejad utilisent l'apprentissage automatique pour créer des images radiographiques simulées du thorax afin d'entraîner les systèmes d'IA à identifier des pathologies rares. Crédit :Jessica MacInnis
Le MIMLab a comparé la précision de son ensemble de données augmenté à l'ensemble de données d'origine lorsqu'il est alimenté par son système d'IA et a constaté que la précision de la classification s'améliorait de 20 % pour les conditions courantes. Pour certaines conditions rares, la précision s'est améliorée jusqu'à environ 40 pour cent et parce que les rayons X synthétisés ne proviennent pas de personnes réelles, l'ensemble de données peut être facilement accessible aux chercheurs en dehors des locaux de l'hôpital sans violer les problèmes de confidentialité.
« C'est passionnant parce que nous avons pu surmonter un obstacle dans l'application de l'intelligence artificielle à la médecine en montrant que ces ensembles de données augmentés aident à améliorer la précision de la classification, " explique Valaee. " L'apprentissage en profondeur ne fonctionne que si le volume de données d'entraînement est suffisamment important et c'est une façon de s'assurer que nous avons des réseaux de neurones capables de classer les images avec une grande précision. "
