Dans cette étude financée par Imagen Technologies, les chercheurs ont développé un réseau neuronal artificiel qui s’est nourri de l'expertise des chirurgiens orthopédistes du Hospital for Special Surgery de New York City.
Les fractures présumées sont l'une des raisons les plus courantes d'accès à la salle d'urgence. Les techniques d'imagerie, en particulier la radiographie, sont le principal outil de diagnostic pour évaluer les patients présentant une fracture présumée.
Cependant, il arrive souvent que les personnes qui examinent les radiographies à l'urgence ne soient pas des radiologistes ou n’aient pas l'expérience nécessaire pour identifier avec précision les fractures. Dans des situations particulières, les radiologues expérimentés qui doivent être consultés pour un deuxième avis ne sont pas disponibles. Pour compléter le tableau, il convient d'ajouter que les médecins ont souvent une charge de travail excessive, ce qui entraîne de la fatigue et une susceptibilité aux mauvaises interprétations. De telles circonstances augmentent le risque d'identification erronée ou d'inexactitude des fractures, ce qui a un impact négatif sur les soins aux patients. Dans les services d'urgence, le pourcentage de fractures non diagnostiquées représente entre 41 et 80 % des erreurs diagnostiques signalées.
Les systèmes de détection assistée par ordinateur (DAO) pourraient être une solution à ce problème. Jusqu'à présent, les résultats de l'utilisation des systèmes de CAO ont été mitigés, mais les progrès récents en matière de deep-learning laissent espérer une application clinique plus efficace. Aujourd'hui, il existe des systèmes informatisés qui peuvent résoudre avec précision de nombreuses activités visuelles impliquant la détection, la localisation et la classification d'objets. Dans le domaine de l'imagerie médicale, le deep-learning est prometteur dans de nombreux domaines.
Dans un travail récent, une équipe de recherche a développé un réseau neuronal artificiel (réseau neuronal profond) pour détecter et localiser les fractures dans les radiographies. Le réseau neuronal a été formé grâce à la contribution de 18 chirurgiens orthopédistes qui ont examiné 135 409 radiographies. Une expérience contrôlée a ensuite été menée avec des médecins urgentistes pour évaluer leur capacité à détecter les fractures aux rayons X avec et sans l'aide de l'intelligence artificielle. La sensibilité moyenne des cliniciens était de 80,8 % sans aide et de 91,5 % avec aide. La spécificité a été établie à 87,5 % sans aide et à 93,9 % avec aide. En moyenne, le médecin a enregistré une réduction relative du taux de mauvaise interprétation de 47,0 %.
Les chercheurs croient que l'étude montre que les méthodes de deep-learning sont un mécanisme par lequel des spécialistes médicaux expérimentés peuvent mettre leur expertise à la disposition de leurs collègues. Cela permettra d'améliorer considérablement les soins aux patients.
Le deep-learning, une sous-catégorie du machine-learning, ne fait que créer des modèles d'apprentissage à plusieurs niveaux.
Le concept est très simple. Imaginons exposer une notion. On l'apprend, puis on en expose un autre. Notre cerveau recueille l'entrée de la première et la traite avec la seconde, la transformant et l'abstrayant de plus en plus. Scientifiquement, il est correct de définir l'action de l'apprentissage profond comme l'apprentissage de données qui ne sont pas fournies par l'homme, mais qui sont apprises par l'utilisation d'algorithmes de calcul statistique. Ces algorithmes ont un but : comprendre le fonctionnement du cerveau humain et comment il parvient à interpréter les images et le langage. Le processus d'apprentissage se présente sous la forme d'une pyramide : les concepts les plus élevés sont appris à partir des niveaux les plus bas.
Sources : Lindsey R, Daluiski A, Chopra S, Lachapelle A, Mozer M, Sicular S, Hanel D, Gardner M, Gupta A, Hotchkiss R, Potter H. Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A. 2018 Oct 22. pii : 201806905. doi : 10.1073/pnas.1806905115.