L'apprentissage automatique a le potentiel de faire considérablement progresser l'imagerie médicale, en particulier la tomodensitométrie (TDM), en réduisant l'exposition aux rayonnements et en améliorant la qualité de l'image.

Ces nouveaux résultats de recherche viennent d'être publiés dans Nature Machine Intelligence par des ingénieurs du Rensselaer Polytechnic Institute et des radiologues du Massachusetts General Hospital et de la Harvard Medical School.

Selon l'équipe de recherche, les résultats publiés dans cette revue à fort impact plaident en faveur de l'exploitation de la puissance de l'intelligence artificielle pour améliorer les tomodensitogrammes à faible dose.

"La dose de rayonnement a été un problème important pour les patients subissant des tomodensitogrammes. Notre technique d'apprentissage automatique est supérieure, ou, tout au moins, comparable, aux techniques itératives utilisées dans cette étude pour permettre la tomodensitométrie à faible dose de rayonnement, " a déclaré Ge Wang, professeur titulaire d'une chaire de génie biomédical à Rensselaer, et un auteur correspondant sur cet article. "C'est une conclusion de haut niveau qui porte un message puissant. Il est temps que l'apprentissage automatique décolle rapidement et, avec un peu de chance, reprendre."

Les techniques d'imagerie tomodensitométrique à faible dose ont fait l'objet d'une attention particulière au cours des dernières années dans le but d'atténuer les inquiétudes concernant l'exposition des patients aux rayons X associés aux tomodensitogrammes largement utilisés. Cependant, la diminution du rayonnement peut diminuer la qualité de l'image.

Pour résoudre cela, des ingénieurs du monde entier ont conçu des techniques de reconstruction itérative pour aider à passer au crible et à éliminer les interférences des images CT. Le problème, Wang a dit, est que ces algorithmes suppriment parfois des informations utiles ou modifient faussement l'image.

L'équipe a entrepris de relever ce défi persistant à l'aide d'un cadre d'apprentissage automatique. Spécifiquement, ils ont développé un réseau de neurones profonds dédié et comparé leurs meilleurs résultats aux meilleurs de ce que trois principaux tomodensitomètres commerciaux pouvaient produire avec des techniques de reconstruction itératives.

Ce travail a été réalisé en étroite collaboration avec le Dr Mannudeep Kalra, professeur de radiologie au Massachusetts General Hospital et à la Harvard Medical School, qui était également un auteur correspondant sur le papier.

Les chercheurs cherchaient à déterminer comment les performances de leur approche d'apprentissage en profondeur se comparaient aux algorithmes itératifs représentatifs sélectionnés actuellement utilisés en clinique.

Plusieurs radiologues du Massachusetts General Hospital et de la Harvard Medical School ont évalué toutes les images CT. Les algorithmes d'apprentissage en profondeur développés par l'équipe Rensselaer ont aussi bien fonctionné que, ou mieux que, ces techniques itératives actuelles dans une écrasante majorité des cas, a dit Wang.

Les chercheurs ont découvert que leur méthode d'apprentissage en profondeur est également beaucoup plus rapide, et permet aux radiologues d'affiner les images en fonction des exigences cliniques, dit le Dr Kalra.

Ces résultats positifs ont été réalisés sans accès à l'original, ou cru, données de tous les tomodensitomètres. Wang a souligné que si les données CT originales sont mises à disposition, un algorithme d'apprentissage en profondeur plus spécialisé devrait fonctionner encore mieux.

"Cela a des radiologues dans la boucle, " a dit Wang. " En d'autres termes, cela signifie que nous pouvons intégrer l'intelligence artificielle et l'intelligence humaine dans le cadre de l'apprentissage profond, faciliter la traduction clinique.

Il a déclaré que ces résultats confirment que l'apprentissage en profondeur pourrait aider à produire des images CT plus précises tout en s'exécutant plus rapidement que les algorithmes itératifs.

"Nous sommes ravis de montrer à la communauté que les méthodes d'apprentissage automatique sont potentiellement meilleures que les méthodes traditionnelles, " a déclaré Wang. " Cela envoie un signal fort à la communauté scientifique. Nous devrions opter pour l'apprentissage automatique."

Cette recherche de l'équipe de Wang fait partie des avancées significatives constamment réalisées par les professeurs du Centre d'imagerie biomédicale du Centre d'études biotechnologiques et interdisciplinaires (CBIS) de Rensselaer.

"Le travail du professeur Wang est un excellent exemple de la façon dont les progrès de l'intelligence artificielle, et l'apprentissage automatique et l'apprentissage en profondeur peuvent améliorer les outils et les pratiques biomédicales en résolvant des problèmes difficiles, dans ce cas, en aidant à fournir des images CT de haute qualité en utilisant une dose de rayonnement plus faible. Les développements transformateurs de ces équipes collaboratives conduiront à une médecine plus précise et personnalisée, " dit Deepak Vashishth, directeur du CBIS.