Un modèle d’IA peut lire et diagnostiquer une IRM cérébrale en quelques secondes

Un modèle alimenté par l’intelligence artificielle, développé à l’Université du Michigan est en mesure de lire une IRM cérébrale et diagnostiquer une personne en quelques secondes, suggère une étude. Le modèle a en effet détecté des affections neurologiques avec une précision allant jusqu’à 97,5 % et a prédit l’urgence avec laquelle un patient nécessitait un traitement. Les chercheurs affirment que cette technologie, une première du genre, pourrait transformer la neuroimagerie dans les systèmes de santé à travers les États-Unis.

« Alors que la demande mondiale en IRM augmente et exerce une pression importante sur nos médecins et nos systèmes de santé, notre modèle d’IA a le potentiel de réduire la charge en améliorant le diagnostic et le traitement grâce à des informations rapides et précises », a déclaré l’auteur principal Todd Hollon, M.D., neurochirurgien au University of Michigan Health et professeur adjoint de neurochirurgie à la U-M Medical School. 

Hollon nomme cette invention Prima. Lui et son équipe de recherche ont testé la technologie sur plus de 30 000 études d’IRM au cours d’une année.

Pour plus de 50 diagnostics radiologiques provenant de troubles neurologiques majeurs, Prima a surpassé d’autres modèles d’IA de pointe en termes de performance diagnostique. Le modèle a également réussi à déterminer quels cas devaient avoir une priorité plus élevée.

Certaines affections neurologiques, comme les hémorragies cérébrales ou les accidents vasculaires cérébraux, nécessitent une attention médicale immédiate. Dans de tels cas, Prima peut alerter automatiquement les prestataires afin qu’une action rapide soit entreprise, explique Hollon.

Les chercheurs ont conçu le modèle pour qu’il recommande quel prestataire spécialisé doit être alerté, comme un neurologue spécialisé dans les AVC ou un neurochirurgien, avec un retour disponible immédiatement après que le patient a terminé l’imagerie.

« La précision est primordiale lors de la lecture d’une IRM cérébrale, mais des délais d’exécution rapides sont essentiels pour un diagnostic rapide et de meilleurs résultats », a précisé Yiwei Lyu, M.S., co-premier auteur et boursier postdoctoral en informatique et ingénierie à l’U-M. « À des étapes clés du processus, nos résultats montrent comment Prima peut améliorer les flux de travail et rationaliser les soins cliniques sans abandonner la précision. »

Qu’est-ce que Prima ?

Prima est un modèle de langage visuel (VLM), un système d’IA qui peut traiter simultanément la vidéo, les images et le texte en temps réel.

Ce n’est pas la première tentative d’appliquer l’IA à l’IRM et à d’autres formes de neuroimagerie, mais l’approche est unique.

Les modèles précédents reposent sur des sous-ensembles de données d’IRM soigneusement sélectionnés pour accomplir des tâches spécifiques, comme la détection de lésions ou la prédiction du risque de démence.

Lors de la conception de Prima, l’équipe de Hollon a entraîné le système sur chaque IRM — plus de 200 000 études et 5,6 millions de séquences — réalisées depuis le début de la numérisation en radiologie au University of Michigan Health il y a des décennies. Les chercheurs ont également saisi dans le modèle les antécédents cliniques des patients et les raisons pour lesquelles les médecins ont demandé une étude d’imagerie médicale.

« Prima fonctionne comme un radiologue en intégrant des informations concernant les antécédents médicaux du patient et les données d’imagerie pour produire une compréhension complète de sa santé », a indiqué le co-premier auteur Samir Harake, un scientifique des données au sein du Laboratoire d’Apprentissage Automatique en Neurochirurgie de Hollon. « Cela permet une meilleure performance sur un large éventail de tâches de prédiction. »

Des millions d’études d’IRM sont réalisées chaque année dans le monde, dont une partie importante est consacrée aux maladies neurologiques.

Cette demande, selon les chercheurs, dépasse la disponibilité des services de neuroradiologie et entraîne des défis significatifs, notamment des pénuries de personnel et des erreurs de diagnostic. Selon l’endroit où vous passez un scan, il peut falloir des jours, voire plus, pour obtenir un résultat. 

« Que vous receviez un scan dans un grand système de santé confronté à un volume croissant ou dans un hôpital rural aux ressources limitées, des technologies innovantes sont nécessaires pour améliorer l’accès aux services de radiologie », a déclaré Vikas Gulani, M.D. Ph.D., co-auteur et directeur du Département de Radiologie au U-M Health. « Nos équipes de l’Université du Michigan ont collaboré pour développer une solution de pointe à ce problème, avec un potentiel énorme et évolutif. »

L’avenir de l’IA et de l’imagerie

Bien que Prima ait bien performé, la recherche en est à sa phase initiale d’évaluation.

Les travaux futurs de l’équipe de recherche exploreront l’intégration d’informations patient plus détaillées et de données de dossiers médicaux électroniques pour un diagnostic plus précis. Cette stratégie imite de près la façon dont les radiologues et les médecins interprètent les IRM et autres études radiologiques.

Les prestataires de soins de santé, les systèmes et les décideurs politiques déterminent encore comment intégrer de manière appropriée l’intelligence artificielle dans la pratique, mais la plupart des systèmes actuellement utilisés sont destinés à des tâches médicales étroites.

Ce que Hollon décrit comme « un ChatGPT pour l’imagerie médicale » a un potentiel plus large — et pourrait un jour être adapté à d’autres modalités d’imagerie, comme les mammographies, les radiographies pulmonaires et les échographies.

« De la même manière que les outils d’IA peuvent aider à rédiger un e-mail ou fournir des recommandations, Prima vise à être un copilote pour interpréter les études d’imagerie médicale », a conclu Hollon. « Nous pensons que Prima illustre le potentiel transformateur de l’intégration des systèmes de santé et des modèles pilotés par l’IA pour améliorer les soins de santé grâce à l’innovation. »

Article : Learning neuroimaging models from health system-scale data – Journal : Nature Biomedical Engineering – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude

Source : Michigan U.