Une intelligence artificielle pour mieux détecter les cancers
Français
Suivez-nous sur notre page Facebook et notre canal Telegram
Sommaire
Un modèle d’intelligence artificielle du MIT permettra aux médecins de mieux détecter les différents types de lymphomes.
Un bon diagnostic et l’identification précise d’un type de cancer font toute la différence entre l’échec et le succès d’un traitement sur un patient. Actuellement, le médecin va vous diagnostiquer en utilisant les dossiers médicaux en sa possession et un guide des principales directives médicales. Mais qu’est-ce qui se passerait s’il pouvait simplement traiter vos résultats et votre historique médical dans une intelligence artificielle qui posséderait des millions de dossiers et de données médicales.
Ce futur est de plus en plus possible grâce à des chercheurs du Computer Science and Artificial Intelligence Laboratory au MIT. En travaillant avec une équipe de l’hôpital général du Massachusetts (MGH), Yuan Luo et le professeur du MIT Peter Szolovits ont développé un modèle d’intelligence artificielle qui permet d’automatiser le diagnostic du cancer en apprenant de milliers de données provenant de rapports médicaux antérieurs. Leurs travaux ont été publié dans le journal American Medical Informatics Association.
Un meilleur diagnostic des lymphomes
Les chercheurs se sont focalisés sur les 3 types les plus fréquents de lymphome. Le lymphome est un type de cancer qui possède près de 50 variantes qui sont difficiles à distinguer. Selon Ephraim Hochberg, directeur au centre de lymphome au MGH, on estime que 5 à 15 % des lymphomes sont mal diagnostiqués ou mal classés. Et c’est un problème majeur, car chaque lymphome nécessite un traitement qui est totalement différent par rapport aux autres.
Par exemple, Hochberg a récemment vu un patient qui avait eu un diagnostic d’un lymphome incurable. Si Hochberg n’avait pas refait le diagnostic et ne l’avait pas mis rapidement sur un traitement agressif, il aurait été trop tard pour combattre le cancer.
La classification des lymphomes a été une longue source de débats pour les pathologistes et les cliniciens. Il y avait 5 ensembles de directives jusqu’en 2001 lorsque l’OMS a publié une classification de consensus. En 2008, l’OMS a revu ses directives dans un processus intensif qui a impliqué 8 comités et près de 130 pathologistes et hématologistes autour du monde. De plus, près de 1400 cas en Europe et en Amérique du Nord ont été analysés pour couvrir les 50 types de lymphomes. Mais cela signifie aussi que le diagnostic d’un type de lymphome se base uniquement sur un nombre limité de personnes.
Dans le même temps, de grandes institutions médicales telles que le MGH possède des décennies d’archives de rapports médicaux. Cela a incité les chercheurs du MIT à utiliser ces ressources inexploitées dans des outils automatisés pour améliorer le diagnostic des lymphomes par les médecins.
Luo, l’auteur principal de l’étude, a déclaré qu’il est important que les directives de classification soient à jour et qu’elles soient complétés par le maximum de cas possibles. Nos travaux permettront aux médecins de comprendre les distinctions subtiles entre les différents lymphomes.
Une intelligence artificielle compréhensible par les médecins
Luo ajoute que cette intelligence artificielle ne doit pas seulement être précise, mais elle doit être aussi compréhensible par les médecins. Les directives de l’OMS sont projetés via un panel de résultats qui sont liés à des concepts médicaux tels que les cellules tumorales ou des antigènes de surface. Pour comprendre ces relations, les chercheurs ont convertis les phrases des rapports médicaux dans une représentation graphique où les noeuds étaient des concepts médicaux et les arêtes étaient des dépendances syntaxique/sémantique. Ils ont ensuite collecté les différents sous-graphiques qui correspondaient aux relations qui concernaient les tests des résultats.
Luo a déclaré que le diagnostic clinique se base sur plusieurs résultats en même temps. De ce fait, il est nécessaire de grouper automatiquement des sous-graphes dans une manière qui correspond au panel de ces résultats. Cela permet aux médecins d’avoir une intelligence artificielle qui soit compréhensible plutôt que d’avoir une sorte de boite noire qui est totalement fermée à la compréhension des médecins.
Le principe fondamental de cette étude est d’utiliser une technique appelée Subgraph Augmented Non-negative Tensor Factorization (SANTF). Dans le SANTF, les données de près de 800 rapports médicaux sont organisés dans une table à 3 dimensions où les dimensions correspondent à un groupe de patients, des sous-graphes les plus fréquents et une collection de termes qui apparaissent dans et à coté de chaque donnée qui est mentionnée dans le rapport. Ce groupe schématique apparait simultanément dans chaque dimension et la précision de chaque dimension se base par rapport aux autres. En examinant les groupes de résultats, les chercheurs peuvent lier les résultats des tests aux différents types de lymphome.
Peter Szolovits a déclaré que l’aspect le plus prometteur est que l’intelligence artificielle, lorsqu’elle est appliquée à de grandes quantités de données, pourra aider à identifier ces groupes pour aider les médecins à comprendre les différents niveaux de lymphomes et leurs relations les uns par rapport aux autres.
Le professeur Wendy Chapman, chaire du département de l’informatique biomédicale de l’université de l’Utah, a déclaré que la plupart des traitements de langages naturels (les intelligences artificielles) se sont concentrés sur des phrases importantes et des attributs alors que la difficulté est d’identifier les relations et les concepts. Les experts médicaux qui possèdent des années d’expérience ne comprennent pas uniquement les termes, mais des implications plus profondes. Selon cette professeure, cette recherche nous rapproche d’une intelligence artificielle qui nous permettrait d’avoir ce niveau de compréhension.
De plus, le modèle SANTF ne nécessite pas de données pour un processus d’entrainement. De ce fait, on peut même automatiser la découverte de nouvelles connaissances. Szolovits est confiant dans le fait que le modèle de son équipe pourra aider les médecins à diagnostiquer plus précisément les lymphomes et il pourrait même être intégré dans les prochaines directives de l’OMS.
Szolovits a ajouté : Notre objectif ultime est d’utiliser ces techniques sur de gigantesques quantités de donnée avec des millions de rapports médicaux qui soient traités par l’intelligence artificielle. Si nous pouvons le faire et identifier les caractéristiques qui définissent les différents catégories de lymphome, alors nous faciliterons considérablement le travail des médecins et peut-être que les patients pourront vivre plus longtemps.
