Les chercheurs affirment qu’un nouveau modèle d’IA pourrait être plus généralisable pour le diagnostic et l’évaluation du cancer que les méthodes d’apprentissage profond existantes.
Des scientifiques ont conçu un nouveau modèle d’intelligence artificielle (IA) qui pourrait être capable de diagnostiquer et d’évaluer plusieurs types de cancer.
Le nouveau modèle appelé Clinical Histopathology Imaging Evaluation Foundation (CHIEF) était jusqu’à 36 % plus efficace pour détecter le cancer, déterminer l’origine d’une tumeur et prédire les résultats des patients que d’autres modèles d’apprentissage profond, ont déclaré les chercheurs.
L’équipe dirigée par des chercheurs de la Harvard Medical School souhaitait que le modèle soit plus largement applicable à différentes tâches de diagnostic, car de nombreux modèles actuels d’apprentissage profond pour le cancer sont formés pour exécuter des fonctions spécifiques.
« Contrairement aux méthodes existantes, notre outil d’IA fournit aux cliniciens des deuxièmes avis précis et en temps réel sur les diagnostics de cancer en prenant en compte un large éventail de types et de variations de cancer », a déclaré Kun-Hsing Yu, professeur adjoint d’informatique biomédicale à la Harvard Medical School et auteur principal de l’étude, à L’Observatoire de l’Europe Health dans un e-mail.
Comment fonctionne CHIEF ?
Le modèle a été formé sur plus de 15 millions d’images de pathologie différentes, « ce qui améliore sa fiabilité dans le diagnostic des cancers présentant des caractéristiques atypiques », a ajouté Yu.
Ils ont ensuite utilisé plus de 60 000 images haute résolution de lames de tissus « pour développer davantage notre modèle d’IA et l’affiner pour des tâches spécifiques de prédiction génétique et clinique ».
Les chercheurs ont testé leur modèle sur plus de 19 400 images provenant de 24 hôpitaux et cohortes de patients du monde entier et ont publié leurs résultats dans la revue Nature mercredi.
L’équipe a expliqué que le modèle fonctionne en lisant des lames numériques de tissus tumoraux et peut prédire leur profil moléculaire en fonction des caractéristiques de l’image. Il peut également identifier les caractéristiques d’une tumeur qui ont un lien avec la façon dont un patient peut réagir au traitement.
Il a atteint une précision de près de 94 % dans la détection des cellules cancéreuses parmi 11 types de cancer sur la base d’une mesure de performance du modèle.
« Dans certaines applications, comme l’identification des cellules cancéreuses du côlon ou la prédiction des mutations génétiques, les performances de notre modèle ont atteint jusqu’à 99,43 % », a déclaré Yu.
Les chercheurs espèrent que le modèle d’IA aidera les cliniciens à évaluer plus précisément la tumeur d’un patient.
Le nouveau modèle « représente une avancée prometteuse » dans l’application de l’IA à l’oncologie, selon Ajit Goenka, professeur de radiologie à la Mayo Clinic aux États-Unis, qui n’a pas participé à l’étude.
Il a déclaré à L’Observatoire de l’Europe Health dans un courriel que cela pourrait « rationaliser les évaluations diagnostiques préliminaires » et fournir aux pathologistes un outil qui analyse les lames pour « mettre en évidence les zones critiques pour un examen plus approfondi ».
« Malgré ces capacités, la robustesse de CHIEF dans divers environnements cliniques doit encore être rigoureusement testée, et le potentiel de biais découlant de sa formation sur des ensembles de données volumineux, potentiellement non représentatifs, ne peut être ignoré », a déclaré Goenka, qui cherche à utiliser l’IA pour améliorer le diagnostic du cancer du pancréas.
Quelle est la prochaine étape pour le modèle d’IA ?
L’étape restante avant que CHIEF soit utilisé dans les cabinets médicaux est d’obtenir l’approbation réglementaire.
« Pour y parvenir, nous lançons une étude clinique prospective pour valider le modèle CHIEF dans des contextes cliniques réels », a déclaré Yu, qui a ajouté qu’ils travaillent également à étendre sa capacité à détecter des cancers rares.
Goenka a ajouté que pour pouvoir être utilisé en clinique, le modèle nécessitera « une validation approfondie dans des contextes réels, englobant diverses données démographiques de patients et des conditions cliniques variées ».
« Cette validation est cruciale pour garantir que les performances du modèle sont non seulement théoriquement supérieures mais également pratiquement fiables dans la pratique clinique quotidienne », a-t-il déclaré.
