La radiothérapie est l'un des traitements anticancéreux les plus utilisés, mais un inconvénient de la procédure est qu'elle peut causer des dommages collatéraux aux tissus sains à proximité de tumeurs cancéreuses. L'identification des organes à risque par tomodensitométrie est un processus difficile et laborieux, mais les informaticiens de l'UCI et les chercheurs d'autres institutions ont développé une technique automatisée pour remplir cette fonction à l'aide d'un algorithme d'apprentissage en profondeur. Leurs travaux ont été publiés récemment dans Nature Machine Intelligence .

"En utilisant notre modèle, il est possible de délimiter un scan entier en quelques secondes, une tâche qui prendrait à un expert humain plus d'une demi-heure, " a déclaré le co-auteur Xiaohui Xie, Professeur d'informatique à l'UCI. "Sur un ensemble de données de 100 tomodensitogrammes, notre méthode de deep learning a atteint un coefficient de similarité moyen de plus de 78 %, une amélioration significative par rapport aux analyses effectuées par les radio-oncologues."

Les chercheurs se sont concentrés sur la tête et le cou pour leur étude en raison des structures anatomiques complexes et de la distribution dense des organes dans cette partie du corps. Aussi, une irradiation involontaire des tissus sensibles de cette zone peut entraîner des effets secondaires indésirables tels qu'une difficulté à ouvrir la bouche, détérioration de la vision et de l'audition, et les troubles cognitifs. Xie a déclaré que le succès de l'approche de son équipe peut être attribué à la conception en deux étapes du modèle.

D'abord, le système identifie les régions contenant des organes vitaux, puis il extrait les caractéristiques de l'image de ces zones focales. "Notre réseau de neurones d'apprentissage en profondeur améliore considérablement la capacité de délimiter les anatomies même avec des tomodensitogrammes à faible contraste, " dit Xie. " Et la configuration est plus efficace en termes de calcul que les autres méthodes, ce qui permet de le faire avec des niveaux plus standard de mémoire de l'unité de traitement graphique. Cela signifie que la technique peut être déployée plus facilement dans de vraies cliniques. » Ses collaborateurs provenaient de l'école de médecine de l'Université Jiao Tong de Shanghai en Chine et de DeepVoxel Inc. de Costa Mesa.