Auteurs

Contacts

• Hais­sam HAIDAR AHMAD : haissamhaidar97@hotmail.com
• Moham­med Ala­min HAMID SALIH : alhameem733@gmail.com
• Ali­son LUANGRATH : luangrath.alison@gmail.com
• Théo SEDE : theosede38@gmail.com
• Lucas ZUGAJ : lucaszugaj@outlook.fr

Citation

A rap­pe­ler pour tout usage : H. HAIDAR-AHMAD, M. A. HAMID SALIH, A. LUANGRATH, T. SEDE. L. ZUGAJ, "Intel­li­gence Arti­fi­cielle et Ima­ge­rie Médi­cale", Uni­ver­si­té de Tech­no­lo­gie de Com­piègne (France), Mas­ter Ingé­nie­rie de la San­té par­cours Tech­no­lo­gies Bio­mé­di­cales et Ter­ri­toires de San­té, Mémoire de Pro­jet, https://travaux.master.utc.fr/, réf n° IDS122, https://doi.org/10.34746/kbkc-cd39, jan­vier 2022, https://travaux.master.utc.fr/formations-master/ingenierie-de-la-sante/ids122/

Remerciements

L’ensemble de notre groupe tient par­ti­cu­liè­re­ment à remer­cier tous les contri­bu­teurs de ce travail. 

Nous remer­cions l’Université de Tech­no­lo­gie de Com­piègne et l’ensemble de l’équipe péda­go­gique du Mas­ter Ingé­nie­rie de la San­té pour l’opportunité de par­ti­ci­per à ce pro­jet publié pour la com­mu­nau­té bio­mé­di­cale. Mer­ci à Isa­belle CLAUDE, Jean-Mat­thieu PROT et Gil­bert FARGES pour tous leurs pré­cieux conseils durant ces deux années d’études et tout au long du projet. 

Nous adres­sons éga­le­ment notre gra­ti­tude à l’ensemble des inter­ve­nant et pro­fes­sion­nels de san­té qui ont accep­té de nous accor­der de leur temps pour répondre à nos ques­tions et nous aiguiller sur des pistes de réflexion. Nous avons déve­lop­pé des connais­sances solides dans le domaine de l’Intelligence Arti­fi­cielle en ima­ge­rie médi­cale grâce à vous. 

Enfin, nous tenons à remer­cier tous nos cama­rades de pro­mo­tion pour leur aide et leurs retours sur nos tra­vaux qui nous ont per­mis d’améliorer en conti­nu notre tra­vail tout au long des jalons. 

Résumé

L'Intelligence Arti­fi­cielle (IA) se déve­loppe de plus en plus dans le domaine de la radio­lo­gie pour diverses appli­ca­tions et prend une place signi­fi­ca­tive dans la rou­tine de tra­vail des radio­logues. En effet, l’explosion des don­nées médi­cales a entrai­né un bou­le­ver­se­ment de la charge de tra­vail des radio­logues, limi­tant le temps pas­sé avec le patient et aug­men­tant le taux d’erreur d’interprétation. Les logi­ciels d’IA pro­posent, dans le domaine de l’Imagerie Médi­cale, une aide au diag­nos­tic en met­tant en évi­dence les élé­ments jugés patho­lo­giques ou en prio­ri­sant les exa­mens pour les radio­logues par exemple. Aujourd’hui, en plus de cela, l’IA per­met d’améliorer la qua­li­té des images radio­lo­giques et la pré­ci­sion de leur acqui­si­tion. Cepen­dant, ces logi­ciels, pou­vant repré­sen­ter de réels outils diag­nos­tic pour le radio­logues, sont très divers et pré­sentent des limites éthiques et tech­niques. Com­prendre le fonc­tion­ne­ment et faire le tri par­mi ces solu­tions pour les radio­logues peut s’avérer dif­fi­cile. Ce pro­jet tente d’apporter des élé­ments pour mieux com­prendre les solu­tions pro­po­sées par les déve­lop­peurs d'IA, et défi­nir les prin­ci­paux cri­tères d’évaluation dans le but de gui­der les radio­logues dans leur choix. 

Abstract

The arti­fi­cial Intel­li­gence (AI) deve­lop­ment increases for seve­ral pur­poses in radio­lo­gy and takes a signi­fi­cant place in radio­lo­gists wor­king rou­tine. Indeed, the expan­sion of medi­cal data has led to an increase of the radio­lo­gists' work­load, limi­ting the time spent by the radio­lo­gists with the patients and rai­sing the inter­pre­ta­tion error rate. The AI soft­ware in the medi­cal ima­ging field assists the radio­lo­gist in the diag­nos­tics by poin­ting out the patho­lo­gi­cal ele­ments or by prio­ri­ti­zing the urgent exams. In addi­tion, nowa­days,  AI allows impro­ving the qua­li­ty of radio­lo­gic images and the pre­ci­sion of its acqui­si­tion. Never­the­less, this kind of soft­ware could be a real tool for hel­ping radio­lo­gists to diag­nose the abnor­ma­li­ty, there are many kinds of soft­ware, and it is confi­ned by ethi­cal and tech­ni­cal limits. Unders­tan­ding the func­tions of these soft­ware pro­grams, and being able to choose bet­ween them, can be dif­fi­cult for radio­lo­gists. This pro­ject aims to allow unders­tan­ding of all these soft­ware pro­grams and to define the main requi­re­ment for the eva­lua­tion to guide the radio­lo­gists in their choices.

Liste des abréviations

IA : Intel­li­gence Arti­fi­cielle

IM : Image­rie Médi­cale

DM : Dispo­si­tif Médi­cal

S/B : Signal/Bruit

Téléchargements

Mémoire Complet :

« Apports et limites de l’Intelligence Artificielle pour l’Imagerie Médicale »

Introduction

Aujourd'hui, la pré­sence de l’Intelligence Arti­fi­cielle (IA) se fait de plus en plus forte au sein du quo­ti­dien de l’Homme : dans la navi­ga­tion avec les GPS, les emails, mais aus­si avec les assis­tants vocaux inté­grés dans les smart­phones par exemple. Le domaine de la san­té doit éga­le­ment suivre les avan­cées tech­no­lo­giques afin d’évoluer. Dans les ser­vices d’Imagerie Médi­cale (IM), l’IA est d’ores et déjà exis­tante mais est-elle vrai­ment bien implan­tée et quelles sont ses limites ? Afin de mieux cer­ner le sujet, il s’agit en pre­mier lieu de bien défi­nir les termes impliqués.

L’IA défi­nie comme « l’ensemble de théo­ries et de tech­niques mises en œuvre en vue de réa­li­ser des machines capables de simu­ler l'intelligence humaine » [1] est en plein essor. Depuis les années 1950, elle ne cesse d’évoluer afin de peut-être atteindre un jour la par­faite alliance entre l’Homme et la machine. L’IM est, quant à elle, consi­dé­rée comme une « spé­cia­li­té médi­cale consis­tant à pro­duire des images du corps humain vivant et à les inter­pré­ter à des fins diag­nos­tiques, thé­ra­peu­tiques (ima­ge­rie inter­ven­tion­nelle) ou de sur­veillance de l’évolution des patho­lo­gies » [2]. Tout le monde, au cours de sa vie, peut être ame­né à réa­li­ser un exa­men d’IM. Il existe dif­fé­rentes moda­li­tés, cha­cune avec des carac­té­ris­tiques spécifiques.

Dans notre cas, de nom­breux enjeux sont donc à prendre en compte lors de l’utilisation de l’IA dans l’IM. Tout d’abord d’un point de vue médi­cal, afin de pou­voir amé­lio­rer le diag­nos­tic et les trai­te­ments asso­ciés, ain­si que leur pré­ci­sion. Une ques­tion de renom­mée est éga­le­ment en jeu : une tech­no­lo­gie de pointe peut ren­for­cer la recon­nais­sance d’un éta­blis­se­ment. Il y a aus­si des enjeux éco­no­miques impor­tants qui sont à consi­dé­rer car l’intégration d’une IA demande à éva­luer divers para­mètres. L'IA peut être un gain de temps pour le per­son­nel soi­gnant, délé­guant cer­taines tâches à l’IA, mais cela pour­rait éga­le­ment impli­quer la modi­fi­ca­tion de l’organisation et des com­pé­tences requises dans cer­taines spé­cia­li­tés médi­cales. En 2015, un radio­logue inter­pré­tait en moyenne une image CT ou IRM toutes les 3 à 4 secondes au cours d’une jour­née de tra­vail de 8 heures. En effet, le nombre d’examens d’imagerie a explo­sé ces der­nières années sans pour autant qu’il y ait une aug­men­ta­tion pro­por­tion­nelle du nombre de radio­logues (voir Figure n°1). Cela implique un nombre de cli­chés à inter­pré­ter par radio­logue consi­dé­ra­ble­ment plus impor­tant, un temps de trai­te­ment par exa­men plus court et donc poten­tiel­le­ment un taux d‘erreur d‘interprétation plus grand [3].

Figure n°1 : Graphique de l’évolution du nombre d’actes (Scanner/IRM) et du nombre de radiologues entre 2013 et 2016 (source : siemens-healthineers.com) 

Aujourd’hui, l’IA pour­rait repré­sen­ter une aide consi­dé­rable aux radio­logues impli­quant donc une adap­ta­tion de leur méthode de tra­vail et de diagnostic.

Ces points mènent fina­le­ment à se deman­der quelle est l’offre en IA pour l’IM en France et quelle éva­lua­tion en est pro­po­sée afin de faci­li­ter le choix des radio­logues. Pour répondre à cette pro­blé­ma­tique, il fau­dra dans un pre­mier temps défi­nir ce que sont l’IM et l’IA plus pré­ci­sé­ment ain­si que les acteurs concer­nés. Puis, une ana­lyse de l’association de ces deux domaines sera faite, avec les enjeux et risques que cela implique. Enfin, un bench­mark des dif­fé­rentes solu­tions exis­tantes et leurs éva­lua­tions sera pro­po­sé avant de conclure.

I - Définition, historique et acteurs de l’Imagerie Médicale et de l’Intelligence Artificielle 

Les défi­ni­tions des termes « Ima­ge­rie Médi­cale » et « Intel­li­gence Arti­fi­cielle » ont déjà été don­nées pré­cé­dem­ment, mais afin de mieux les com­prendre, il est néces­saire d’approfondir le sujet et de com­prendre leurs origines. 

A) Imagerie Médicale

• Evo­lu­tion de l'IM 

Après la décou­verte des rayons X à la fin du XIXe siècle, l’IM de diag­nos­tic a rapi­de­ment évo­luée. Dif­fé­rentes moda­li­tés ont vu le jour, et à par­tir des années 70, l’IM en 3D est née avec l’apparition du scan­ner, de la Tomo­gra­phie par Émis­sion de Posi­tons (TEP) et de l’Imagerie par Réso­nance Magné­tique (IRM) (voir Figure n°2). De nos jours, l’IM ne cesse de s’améliorer afin de pro­po­ser au patient l’examen le plus rapide et com­plet pos­sible comme les images en 4D et le Real Time Imaging. 

Figure n°2 : Evolution de l’IM (source : auteurs) 

L’IM est prin­ci­pa­le­ment uti­li­sée dans le domaine du diag­nos­tic médi­cal, mais elle peut aus­si être uti­li­sée dans le domaine thérapeutique. 

• Appli­ca­tions de l’IM dans le domaine thé­ra­peu­tique 

L'IM, qui était spé­cia­li­sée dans le diag­nos­tic des frac­tures des os à ses débuts, a par la suite été déve­lop­pée dans des direc­tions plus dif­fé­rentes, notam­ment le domaine thé­ra­peu­tique qui regroupe deux domaines d’utilisation impor­tants de l’IM.

La pre­mière est la pro­cé­dure gui­dée par ima­ge­rie :il s’agit d’une repré­sen­ta­tion dont le but est de diri­ger les pro­ces­sus thé­ra­peu­tiques et mini­mi­ser leurs dom­mages. Dans ce cas, il y a par exemple « la biop­sie pul­mo­naire gui­dée par TDM qui est une méthode effi­cace, com­plé­men­taire de la bron­cho­sco­pie souple, pour le diag­nos­tic du can­cer bron­cho-pul­mo­naire » [4]. L'imagerie avec la méthode sus­men­tion­née vise à diag­nos­ti­quer une tumeur, à sur­veiller les chan­ge­ments de trai­te­ments au fur et à mesure qu'ils sur­viennent et à sur­veiller l'échec ou le suc­cès du traitement.

L’autre domaine d’application très connu est l’imagerie fonc­tion­nelle où « selon la nature des recherches, on dis­tingue celles qui four­nissent des pro­prié­tés struc­tu­relles de la zone étu­diée (IRM, Rayons X, ...), de celles qui res­ti­tuent des aspects fonc­tion­nels (TEP, IRM Fonc­tion­nelle...) » [3]. L’un des cas pos­sibles grâce à l’IM est la sur­veillance de l'activité céré­brale ain­si que le moment de sa réac­tion aux sti­mu­li moteurs, émo­tion­nels et men­taux. En effet, l'activité de dif­fé­rents centres céré­braux est carac­té­ri­sée par une consom­ma­tion accrue d'oxygène et, à l'aide de l'IRM, les chan­ge­ments cau­sés par l'augmentation de la consom­ma­tion peuvent être obser­vés, avec le moment de leur apparition.

L’IM a donc beau­coup évo­lué en très peu de temps. Sou­vent essen­tielle lors de l’élaboration d’un diag­nos­tic, elle se démarque par sa poly­va­lence et la vaste éten­due de ses champs d’application.

• Le Big Data en Ima­ge­rie Médi­cale  

Les avan­cées tech­no­lo­giques ont per­mis aujourd’hui d’aller de l’avant dans de nom­breux domaines dont celui de la san­té, per­met­tant ain­si d’améliorer le diag­nos­tic et le trai­te­ment des patients. Ces avan­cées tech­no­lo­giques ont été aLes avan­cées tech­no­lo­giques ont per­mis aujourd’hui d’aller de l’avant dans de nom­breux domaines dont celui de la san­té, per­met­tant ain­si d’améliorer le diag­nos­tic et le trai­te­ment des patients. Ces avan­cées tech­no­lo­giques ont été accom­pa­gnées d’une explo­sion du volume de don­nées créées, mul­ti­pliées par 25 en l’espace de 10 ans (voir Figure n°3) [5]. Cet afflux de don­nées repré­sente aujourd’hui un enjeu majeur pour le sec­teur de la san­té. En effet, les don­nées pro­ve­nant des résul­tats et ana­lyses médi­cales des patients pour­raient aider à la per­son­na­li­sa­tion des trai­te­ments, au déve­lop­pe­ment de sys­tèmes d’aide au diag­nos­tic mais aus­si à la prise de déci­sion cli­nique et à l’identification des fac­teurs de risques et des menaces sani­taires [6], [7].

Figure n°3 : L’évolution du volume de données numériques depuis 2010 (source : Idc seagate, Statista) 

En France, le nombre d’actes d’IM a beau­coup aug­men­té au fil des der­nières années. Il y a eu une aug­men­ta­tion de l’utilisation de l’IM en diag­nos­tic et une crois­sance de la quan­ti­té de don­nées avec plus de 60 mil­lions d’actes en 2015 [4] (voir Figure n°4). Selon l’étude de la Cour des Comptes de 2015, les tech­niques de radio­gra­phie et d'échographie sont beau­coup plus uti­li­sées que les autres tech­niques grâce à la faci­li­té de leur mise en place et leur rapidité.

Figure n°4 : Diagramme du nombre d’actes d’IM en France en 2015, selon le type d’imagerie (source : Cour des Comptes, publié en mai 2016) 

Les appa­reils bio­mé­di­caux d’aujourd’hui sont plus per­for­mants et viennent à pro­duire jusqu’à 1000 à 1500 images par exa­men, soit plus de 40 fois plus qu’il y a 30 ans. L’IM repré­sente donc une part impor­tante des acti­vi­tés médi­cales en France, avec une quan­ti­té de don­nées aug­men­tant paral­lè­le­ment au nombre d’actes. Il paraît évident que ces don­nées deviennent impos­sibles à ana­ly­ser par un seul être humain et néces­sitent l’aide de machines. Aux Etats- Unis, 34% des radio­logues disent uti­li­ser l’IA dans leurs pra­tiques cli­niques [8] puisqu’elle pro­pose des méthodes de cal­culs éla­bo­rées et des algo­rithmes inno­vants tels que le Deep Lear­ning, trou­vant leur place dans des sec­teurs comme l’IM [5].

B) Intelligence Artificielle

L’IA est de plus en plus pré­sente au quo­ti­dien, elle existe dans nos sys­tèmes infor­ma­tiques, en navi­ga­tion, etc. L’IA est de plus en plus pré­sente au quo­ti­dien, elle existe dans nos sys­tèmes infor­ma­tiques, en navi­ga­tion, etc. Cepen­dant, défi­nir l’IA n’est pas si simple car pour cela il fau­drait déjà réus­sir à le faire pour l’intelligence : « Tout pro­blème pour lequel aucune solu­tion algo­rith­mique n’est connue, relève à prio­ri de l’IA » et de son sys­tème d’apprentissage [6]. L’IA est un ensemble d’algorithmes qui va per­mettre l’élaboration de solu­tions pour une pro­blé­ma­tique don­née [9].

• Nais­sance et déve­lop­pe­ment 

Comme le montre la Figure n°5, l’IA est appa­rue avec Alan Turing avec son idée qu’une machine puisse pen­ser. War­ren Wea­ver émet une idée simi­laire, il pen­sait que des tâches liées à l’intelligence humaine pou­vaient être exé­cu­tées par des machines. L’utilisation de l’IA ne fait que pro­gres­ser, notam­ment en IM. 

Figure n°5 : Frise chronologique de l'IA (source : digitalcorner-wavestone.com) 

En 1957, le plus ancien algo­rithme d’IA a été conçu pour la recon­nais­sance de pat­terns. Cepen­dant, ce n’est que vers les années 2010 que le plein poten­tiel de ces réseaux a com­men­cé à être exploi­té grâce au Big Data et aux trai­te­ment mas­si­ve­ment paral­lèles [10].

L’IA est liée aux impor­tantes avan­cées tech­no­lo­giques de ces der­nières années. Les per­for­mances des ordi­na­teurs se sont consi­dé­ra­ble­ment amé­lio­rées (loi de Moore), ce qui a per­mis de déve­lop­per de nou­velles tech­niques [7]. Dans cette étude, seule l’IA dans le domaine de la san­té et dans l’IM sera prise en compte, mais en réa­li­té l’IA concerne de nom­breux autres domaines comme l’industrie ou l’agriculture par exemple. Elle per­met­trait donc d’orienter le tra­vail de cer­tains métiers : dans le cadre de l'imagerie, elle pour­rait aider à l’amélioration des images et au diag­nos­tic [11].

L’IA a un aspect fon­da­men­tal qui repose sur l’apprentissage, per­met­tant d’améliorer les per­for­mances [12]. L’apprentissage est plus qu’essentiel pour l’IA car c’est ce qui va per­mettre au sys­tème d'évoluer avec les don­nées. C’est-à-dire qu’avec l'arrivée de requêtes et nou­velles don­nées (par exemple dire si une frac­ture est pré­sente sur une image), l’IA devra réus­sir à four­nir un résul­tat fiable. Si ce der­nier n’est pas conforme à celui atten­du, il faut pou­voir le noti­fier pour que l’IA apprenne de ses erreurs. Ain­si à la pro­chaine requête d’une pro­blé­ma­tique simi­laire, elle sera plus per­for­mante. L’IA peut être consi­dé­rée comme la ren­contre entre trois dis­ci­plines : les mathé­ma­tiques, l’informatique et les sciences cog­ni­tives. Bien que ce concept ait un aspect futu­riste, ces sys­tèmes sont déve­lop­pés depuis des dizaines d’années. Il existe déjà plu­sieurs méthodes comme l’IA par réseaux de neu­rones, d’apprentissage par ren­for­ce­ment, etc [13].

• IA dans le domaine de la san­té 

L’IA repré­sente un espoir dans le domaine de la san­té : elle pour­rait per­mettre d’améliorer la prise en charge des patients eL’IA repré­sente un espoir dans le domaine de la san­té : elle pour­rait per­mettre d’améliorer la prise en charge des patients et de réduire la charge de tra­vail des méde­cins sans affec­ter la qua­li­té des diag­nos­tics. La mul­ti­pli­ca­tion des don­nées de san­té donne de l’espoir quant aux appli­ca­tions de l’IA en san­té : le dépis­tage pré­coce de can­cer est un exemple d’application. Enfin, l’humain ne sera jamais fiable à 100% et exempt d’erreur, c’est pour­quoi le déve­lop­pe­ment d’outils d’aide per­met­trait de réduire les erreurs de diag­nos­tic et d’éviter de pas­ser à côté d’un poten­tiel indice en uti­li­sant le Big Data qui est une très grande quan­ti­té de don­nées - dans ce cas, il s’agit de don­nées médi­cales. Pour pou­voir réa­li­ser des cal­culs avec une grande masse de don­nées, l’IA peut uti­li­ser le Deep Lear­ning (appren­tis­sage pro­fond) ou le Machine Lear­ning (appren­tis­sage automatique).

• Machine Lear­ning 

Le Machine Lear­ning est l’un des sous-ensembles de l’IA qui est lui-même com­po­sé du Deep Lear­ning (voir Figure n°6). Le Machine Lear­ning se base sur l'expérience des machines qui peuvent l'utiliser pour amé­lio­rer leurs per­for­mances et l'exécution des tâches. L’apprentissage auto­ma­tique per­met l’ajout d’informations sup­plé­men­taires dans le modèle - comme le clus­te­ring (orga­ni­sa­tion des don­nées de façon homo­gène) - et leur uti­li­sa­tion dans le cadre des entraî­ne­ments. Il y a aus­si évi­dem­ment une phase de test du modèle, ce der­nier peut-être aus­si uti­li­sé pour des tâches de pré­dic­tion. Le Machine Lear­ning per­met à des machines d’effectuer des appren­tis­sages auto­ma­tiques même si elles n’ont pas été conçues et pro­gram­mées pour cela au départ.

Figure n°6 : Diagramme des différents types d’IA (source : auteurs) 

• Deep Lear­ning  

Dans cette par­tie sera décrit les prin­cipes théo­riques du Deep Lear­ning et des réseaux de neurones.

Le Deep Lear­ning fait donc par­tie du Machine Lear­ning et se base sur des réseaux de neu­rones arti­fi­ciels. Comme pour le cer­veau humain, ils sont com­po­sés de plu­sieurs couches. Il y a donc des don­nées d’entrée et de sor­tie et ces neu­rones arti­fi­ciels vont trans­for­mer les don­nées qui entrent au fur et à mesure de la tra­ver­sée des dif­fé­rentes couches. L’avantage de cette méthode est de pou­voir apprendre avec les don­nées trai­tées à tra­vers le sys­tème. Les sys­tèmes de Deep Lear­ning néces­sitent des quan­ti­tés impor­tantes de don­nées pour ses entraî­ne­ments, la puis­sance de l'algorithme en dépend for­te­ment. Il est donc néces­saire de dis­po­ser de machines suf­fi­sam­ment per­for­mantes pour réa­li­ser ce trai­te­ment [14]. Dans le cadre de l'imagerie, cela peut s’appliquer dans la recherche de tumeurs par exemple. L’IA pour­rait détec­ter d'éventuelles tumeurs en se basant sur une quan­ti­té de cli­chés impor­tants, aux­quels serait asso­ciée la pré­sence de tumeur ou non. En plus de ses expé­riences fon­dées sur la réus­site ou l’échec de cette détec­tion, le pro­gramme peut amé­lio­rer son pou­voir de recon­nais­sance et sera plus fin dans ses analyses.

Dans le Deep Lear­ning, un but à accom­plir est don­né à l’IA. Tous les cas de figures d’une pro­blé­ma­tique don­née ne sont pas pro­gram­més car il y a une très grande quan­ti­té de cas pou­vant aller jusqu’à plu­sieurs mil­lions : de ce fait, elle appren­dra d’elle-même à y répondre. De ce fait, le sys­tème infor­ma­tique crée ses propres algo­rithmes, ce qui met en évi­dence des capa­ci­tés d’apprentissage de la machine. Durant cet appren­tis­sage, des taux de réus­site sont défi­nis. Ils cor­res­pondent au pour­cen­tage de bonnes réponses don­nées par le sys­tème pour une pro­blé­ma­tique. Pour des images radio­lo­giques, sont com­pa­rés les résul­tats réels (diag­nos­tic de radio­logues) et ceux four­nis par l’IA, et cela se fait sur des mil­liers d'images [14]. Il est dit que l'entraînement est sta­bi­li­sé si le pour­cen­tage de réus­site est jugé cor­rect par les éva­lua­teurs de la solu­tion d’IA.

Pour résu­mer, un tableau com­pa­ra­tif pré­sente ci-des­sous les dif­fé­rences entre le Machine Lear­ning et le Deep Lear­ning, la prin­ci­pale rési­dant dans le fait que le Deep Lear­ning tra­vaille sur des don­nées non struc­tu­rées comme une image et uti­lise des réseaux de neu­rones convo­lu­tifs (voir Figure n°7).

Figure n°7 : Différences entre Machine Learning et Deep Learning (source : ionos.fr) 

Mal­gré son grand poten­tiel, un des incon­vé­nients du Deep Lear­ning est la dif­fi­cul­té à expli­quer les résul­tats obte­nus. Cela est dû à l'utilisation des réseaux de neu­rones qui peuvent être complexes. 

• Réseaux de neu­rones 

Le terme de réseau de neu­rones arti­fi­ciels a été créé en 1943 mais ce n’est que vers les années 2010 que le plein poten­tiel de ces réseaux a com­men­cé à être exploi­té grâce au Big Data et aux trai­te­ments mas­si­ve­ment paral­lèles [5].

Les réseaux de neu­rones arti­fi­ciels per­mettent le Deep Lear­ning. Les bases de don­nées (images médi­cales) vont ali­men­ter ces réseaux et consti­tuer des don­nées d’entrées. Les neu­rones d’entrée vont ensuite trans­mettre ces don­nées aux couches inter­mé­diaires (couches cachées), puis à celles de sor­tie. Si un résul­tat dif­fé­rent de la réa­li­té est obte­nu, alors il y a une adap­ta­tion auto­ma­tique du réseau qui est obte­nu mathé­ma­ti­que­ment. Ces réseaux fonc­tionnent grâce à des algo­rithmes et des fonc­tions mathé­ma­tiques qui sont dites d'activation : elles prennent une valeur d’entrée et la ren­voie à un résul­tat. Dans le déve­lop­pe­ment d’IA, il est dif­fi­cile de déter­mi­ner les meilleures confi­gu­ra­tions, qui com­prennent prin­ci­pa­le­ment le nombre de couches cachées, pour avoir un appren­tis­sage plus efficace.Ce der­nier va donc être consti­tué de répé­ti­tions de ces pro­ces­sus : il est consi­dé­ré comme fai­sant effet lorsque le réseau inter­prète avec fia­bi­li­té de nou­velles don­nées qui sont ici des images. L'expérience est donc la clé de l’apprentissage auto­nome [3].

Afin de mieux visua­li­ser le fonc­tion­ne­ment des réseaux de neu­rones, une modé­li­sa­tion est pré­sen­tée ci-des­sous (voir Figure n°8).

Figure n°8 : Schéma simplifié d’un réseau de neurones (source : Siemens.com) 

La créa­tion d’un réseau impor­tant est obte­nue car un neu­rone est relié à d’autres d’une couche cachée, avec des infor­ma­tions qui se recoupent. Il peut y avoir plus d’une cen­taine de couches cachées avec des mil­liers de neu­rones dont la quan­ti­té est variable. Des situa­tions com­plexes peuvent donc être modé­li­sées avec des mil­liers de connexions. Pour uti­li­ser des réseaux déve­lop­pés, il faut des modèles mathé­ma­tiques avan­cés com­bi­nés à une grande puis­sance de cal­cul. C’est pour cette rai­son que la com­po­sante hard­ware des équi­pe­ments d’imageries doit être per­for­mante. Il y a sou­vent beau­coup de pro­ces­seurs uti­li­sés paral­lè­le­ment pour faire fonc­tion­ner ce type de système.

Les réseaux de neu­rones convo­lu­tifs sont uti­li­sés pour recon­naître les images en les rece­vant sous la forme d’une matrice et à laquelle sont appli­quées deux opé­ra­tions : du fil­trage pour détec­ter des formes et contours, et des sim­pli­fi­ca­tions pour en extraire les infor­ma­tions impor­tantes. Il est dit que cette approche est ins­pi­rée du fonc­tion­ne­ment de l'œil et du trai­te­ment des infor­ma­tions visuelles [15]. En effet, cer­tains neu­rones du cor­tex visuel vont réagir seule­ment aux bor­dures ver­ti­cales, et d’autres hori­zon­tales. La convo­lu­tion est à l’origine un outil en mathé­ma­tiques [16] : le pro­duit de convo­lu­tion de deux fonc­tions revient à réa­li­ser la moyenne pon­dé­rée de ces deux fonc­tions [17]. Les don­nées brutes sont reçues par la pre­mière couche, c’est une ana­lo­gie de la rétine de l'œil. Les récep­teurs visuels reçoivent les rayons lumi­neux comme des don­nées brutes qui seront ana­ly­sées dans les couches neu­ro­nales plus pro­fondes du cer­veau. C’est pour cela que cette tech­nique est très inté­res­sante pour l’IM. Lors d’une série d'instructions, chaque neu­rone a un poids, aus­si appe­lé connexion ou niveau d'activation, repré­sen­tant des valeurs qui servent à pro­pa­ger les infor­ma­tions et ser­vant d’intermédiaire pour conver­tir les don­nées d’entrées en don­nées de sor­ties. Ils ne sont pas défi­nis et sont ajus­tés pour dimi­nuer l’écart, nom­mé coût, entre la valeur obte­nue et celle atten­due (fixée par les déve­lop­peurs ou le pro­gram­meur de l’apprentissage) qui donne une indi­ca­tion sur les poids à modi­fier. Ces der­niers reflètent l’importance du neu­rone dans le trai­te­ment des don­nées pour un cas. Comme pour le cer­veau humain, les neu­rones du réseau peuvent être actifs ou non.

Pour illus­trer ce fonc­tion­ne­ment dans le cas de l’IM, l’exemple d’une image en niveaux de gris où chaque pixel est repré­sen­té par une valeur avec 0 pour noir et 1 pour blanc sera pris. S’il y a 1000 pixels, il est pos­sible d’avoir 1000 neu­rones d’entrées, donc 1000 valeurs. Chaque neu­rone prend une valeur numé­rique qui dépend de toutes ses connexions entrantes en fonc­tion de leur poids asso­cié. L’information est pro­pa­gée d’une couche à l’autre, jusqu’à la der­nière. Chaque neu­rone de la couche de sor­tie aura un degré d'activation qui repré­sente le pour­cen­tage de chance que l’image médi­cale cor­res­ponde à un cas de figure. Au début de l'entraînement les résul­tats obte­nus seront très dif­fé­rents de ceux atten­dus, mais l'apprentissage per­met­tra de cor­ri­ger cela et le réseau sera capable d’interpréter une image sans se trom­per et pour­ra même ana­ly­ser des images qu’il ne connaît pas. Si l'entraînement a été effi­cace, les résul­tats don­nés seront ceux atten­dus. Par exemple, si l'image ana­ly­sée repré­sente une tumeur (résul­tat atten­du), et que le résul­tat don­né affirme avoir trou­vé une tumeur sur les pixels la repré­sen­tant, le résul­tat est alors posi­tif [10]. A savoir que l'IA est tou­jours en appren­tis­sage, même déployée dans un équi­pe­ment d’imagerie et lors d’une mau­vaise inter­pré­ta­tion, le radio­logue peut signa­ler l’erreur au système.

Un élé­ment très impor­tant à prendre en compte est la stan­dar­di­sa­tion des don­nées d’imagerie au for­mat DICOM. C’est-à-dire que ces don­nées doivent, par exemple, être issues de la même moda­li­té d’imagerie et de faible varia­bi­li­té. Sans cela, la fia­bi­li­té des résul­tats serait for­te­ment impac­tée, et il en va de même pour la confiance que portent les radio­logues envers la solution.

L’IA peut être uti­li­sée dans tous les domaines en san­té impli­quant un grand nombre de don­nées. L’IM met en jeu des don­nées diverses et nom­breuses avec de poten­tiels gains non négli­geables pour le patient jus­ti­fiant de l’apport de l’IA.

II - Apports et limites de l’Intelligence Artificielle pour l’Imagerie Médicale 

L’IA en IM peut repré­sen­ter une oppor­tu­ni­té et une véri­table aide au quo­ti­dien pour les radio­logues avec de réels apports qui vont être analysés. 

A) Apports et intérêts de l'IA en IM

Depuis de nom­breuses années, dif­fé­rents pro­ces­sus mathé­ma­tiques ont ten­té de faci­li­ter le tra­vail des méde­cins dans la clas­si­fi­ca­tion et le diag­nos­tic des patho­lo­gies. Plu­sieurs sys­tèmes de Détec­tion Assis­tée par Ordi­na­teur (DAO) ont été mis en place afin de per­mettre la détec­tion de divers can­cers en radio­lo­gie par exemple [14]. La DAO per­met de pro­po­ser des diag­nos­tics pour orien­ter le méde­cin, mais contrai­re­ment à l’IA, ses per­for­mances res­tent limi­tées et rigides puisqu’elles sont seule­ment basées sur les don­nées four­nies à l’algorithme [18]. De plus, des études cli­niques ont mon­tré que ces méthodes génèrent plus de faux posi­tifs que les méde­cins eux-mêmes [19], résul­tant donc en des exa­mens com­plé­men­taires et un temps d’évaluation plus long [14]. C’est pour­quoi aujourd’hui, grâce à la très grande quan­ti­té de don­nées médi­cales dis­po­nibles, la com­bi­nai­son de la DAO à du Deep ou Machine Lear­ning pour­rait per­mettre une meilleure effi­ca­ci­té de traitements.

En effet, avec l’exemple de l’IA Bone­view pro­po­sée par Incep­to, cette der­nière per­met de dimi­nuer de 30% les frac­tures man­quées et aug­mente la spé­ci­fi­ci­té (de 5%) ain­si que la sen­si­bi­li­té (de 12%) chez l’ensemble du per­son­nel de san­té. De plus, de manière plus détaillée, Bone­view per­met non seule­ment d’améliorer les per­for­mances des radio­logues (dimi­nu­tion des frac­tures man­quées de 22% et aug­men­ta­tion de la spé­ci­fi­ci­té de 3%) mais éga­le­ment celles des urgen­tistes qui sol­li­citent sou­vent l’IM (dimi­nu­tion des frac­tures man­quées de 34% et aug­men­ta­tion de la spé­ci­fi­ci­té de 7%). Il y a une dif­fé­rence logique quant à l’impact de l’IA sur les dif­fé­rents pra­ti­ciens hos­pi­ta­liers avec une amé­lio­ra­tion plus légère pour les radio­logues, étant plus expé­ri­men­tés. Enfin, l’IA a per­mis de réduire la quan­ti­té de faux posi­tifs par patient sans frac­ture de 41,9% et le temps moyen de lec­ture de 15,0% [20].

Basée sur les méthodes de Deep et Machine Lear­ning, l’IA peut aller jusqu’à la déter­mi­na­tion des limites d’un organe ou d’une lésion, l’interprétation de radio­gra­phies pul­mo­naires [21], la détec­tion de tumeurs céré­brales [22] ou de can­cers de la pros­tate par exemple. L’IA per­met­trait même d’aller plus loin en clas­si­fiant les mala­dies en risque faible/élevé avec un bon/mauvais pro­nos­tic [23].

L’IA peut donc être un réel outil pour les radio­logues, leur per­met­tant non seule­ment de gagner du temps, mais aus­si d’avoir un dis­po­si­tif de véri­fi­ca­tion et d’analyse sur lequel se baser. Au lieu de rem­pla­cer les outils déjà uti­li­sés par les radio­logues, l’IA peut être inté­grée au PACS - sys­tème de ges­tion élec­tro­nique des images médi­cales - com­mu­né­ment uti­li­sé en radio­lo­gie via les logi­ciels Cares­tream (voir Figure n°9) ou AW Ser­ver de chez Gene­ral Elec­tric par exemple. Ces der­niers per­mettent entre autres de déter­mi­ner de manière auto­ma­ti­sée la den­si­té osseuse, détec­ter les foies gras, les emphy­sèmes pul­mo­naires et les frac­tures de com­pres­sion [24]. D’autres fonc­tion­na­li­tés de mesure sont pos­sibles telles que l’analyse du flux san­guin tis­su­laire, du volume et de la per­méa­bi­li­té capil­laire, avec détec­tion auto­ma­tique de la fonc­tion d'entrée arté­rielle et de la fonc­tion de sor­tie vei­neuse tout en favo­ri­sant un affi­chage auto­ma­tique des résul­tats sous forme de cartes et de tableaux [25]. Les logi­ciels basés sur l’IA pour­raient donc deve­nir, après maî­trise de ceux-ci par les radio­logues, leur prin­ci­pal moyen d’analyse des résul­tats des patients.

Figure n°9 : Image de Carestream-PACS utilisé avec des outils d’IA (source : carestream.com) 

De nom­breuses voies d’avenir s'ouvrent aujourd’hui grâce à l’IA. La radio­mique, méthode per­met­tant de trou­ver des bio­mar­queurs diag­nos­tiques, pro­nos­tiques ou pré­dic­tifs à par­tir d’extraits d’images radio­lo­giques, est encou­ra­geante [21]. Cette méthode per­met d’obtenir des bio­mar­queurs d'imagerie utiles pour l’administration des thé­ra­pies appro­priées. L'IA peut sou­te­nir l'analyse des carac­té­ris­tiques radio­miques et les cor­ré­ler à d'autres don­nées (pro­téo­mique, géno­mique etc...) [26].

Par ailleurs l’IA peut appor­ter une aide admi­nis­tra­tive dans le sec­teur de la san­té à tra­vers une prise en charge des dif­fé­rentes don­nées du patient et de leurs for­mats. En effet, au vu de l’importante pro­duc­tion de don­nées dans le sec­teur médi­cal, l’IA pour­rait per­mettre une exploi­ta­tion effi­cace des infor­ma­tions du patient pro­ve­nant de don­nées de for­mats dif­fé­rents comme des comptes ren­dus, des ana­lyses bio­lo­giques ou encore des ima­ge­ries par exemple, pour accé­lé­rer la prise en charge du patient [27].

Enfin, un exemple concret et por­teur d'espoir est celui de l’équipe du Pro­fes­seur de neu­ro-ima­ge­rie avan­cée, Roland Wiest, à l'Université de Berne, en Suisse. Ils ont réus­si à mettre en place une tech­nique entiè­re­ment auto­ma­tique basée sur l’IA afin de seg­men­ter les images de patients atteints de glio­blas­tomes. Cette tech­nique est basée sur le Machine Lear­ning et sur une nou­velle stra­té­gie de com­par­ti­men­ta­tion des tis­sus pour la seg­men­ta­tion des tis­sus. Ce sys­tème per­met une seg­men­ta­tion com­plète des com­par­ti­ments tumo­raux (régions nécro­tiques, actives et œdé­ma­teuses), des tis­sus sains, ain­si que des struc­tures sous-cor­ti­cales - utiles pour la neu­ro­chi­rur­gie et la radio­thé­ra­pie. En se basant sur cette tech­nique, ils ont déve­lop­pé un outil logi­ciel appe­lé Bra­Tu­mIA (Brain Tumor Image Ana­ly­sis), qui effec­tue une seg­men­ta­tion entiè­re­ment auto­ma­tique du tis­su tumo­ral céré­bral en cinq minutes envi­ron. Ils ont éga­le­ment uti­li­sé l’IA (Machine Lear­ning) pour carac­té­ri­ser des lésions céré­brales des acci­dents isché­miques céré­braux ain­si que pré­dire l'issue la plus pro­bable d'une inter­ven­tion de throm­bec­to­mie méca­nique réus­sie ou non [28].

Mal­gré les nom­breux apports pos­sibles de l’IA à l’IM, cela engendre tout de même des enjeux et risques à considérer.

B) Enjeux et risques liés à l’IA dans l’IM 

Les termes d’IA et d’IM étant expli­ci­tés, il faut désor­mais se deman­der quels sont les enjeux et risques se trou­vant der­rière l’association de ces deux domaines. 

• Enjeux 

L’intégration de l’IA dans l’IM pré­sente de réels avan­tages, et ce dans plu­sieurs aspects grâce aux apports expli­qués pré­cé­dem­ment qui montrent la puis­sance tech­nique et tech­no­lo­gique de l’IA.

D’un point de vue thé­ra­peu­tique, l’IA dans l’IM per­met d’améliorer le diag­nos­tic déli­vré par le radio­logue qui pour­ra adap­ter au mieux le trai­te­ment pres­crit au patient. De plus, les résul­tats sont déli­vrés bien plus rapi­de­ment car la machine peut prendre en compte les dif­fé­rentes moda­li­tés, ana­lyses labo­ra­toires et pos­sibles biop­sies du patient et le faire de manière plus rapide que l’Homme. Ain­si, cela réduit le temps d’attente du patient entre son exa­men et la déli­vrance des résul­tats après l’expertise du radio­logue - la recons­truc­tion de l’image, l’interprétation et la dic­tée pou­vant aller de 30 minutes à 90 minutes, voire une jour­née et plus dans cer­tains cas s’il y a beau­coup d’affluence. Grâce à cette accé­lé­ra­tion du pro­ces­sus, le patient pour­ra être mis plus rapi­de­ment sous trai­te­ment avec un sui­vi approprié.

Il y a éga­le­ment des béné­fices stra­té­giques avec un gain de temps consi­dé­rable pour le radio­logue qui pour­ra délé­guer des tâches à l’IA et se concen­trer sur d’autres mis­sions. De plus, avoir à dis­po­si­tion une IA peut per­mettre de par­ti­ci­per à la recon­nais­sance d’un éta­blis­se­ment en favo­ri­sant sa renom­mée. Tout comme les hôpi­taux ayant des robots chi­rur­gi­caux, cela peut mon­trer la puis­sance éco­no­mique d’un éta­blis­se­ment. Cela pour­rait donc atti­rer davan­tage de patients à se faire soi­gner dans le centre de santé.

Ce der­nier argu­ment rejoint les enjeux éco­no­miques dans le cas des éta­blis­se­ments à but non lucra­tif dont le but est de faire du pro­fit. En effet, si le prin­cipe du gain de temps est repris, alors le ser­vice d’IM peut faire pas­ser davan­tage d’examens médi­caux aux patients, il y a donc une pos­si­bi­li­té d’optimiser les coûts. En effet, un exa­men de scan­ner est coû­teux. Ain­si, il est bien plus ren­table de faire pas­ser un maxi­mum de patients. Cela est aus­si en accord avec le besoin d’augmenter la dis­po­ni­bi­li­té des équi­pe­ments d'imagerie pour les patients.

Tous ces enjeux et la poly­va­lence de l’IA réunis per­met de faire de l’IA un outil de diag­nos­tic puis­sant et ayant un fort poten­tiel pour aider au mieux le radio­logue. Cepen­dant, cette solu­tion tech­nique engendre mal­gré tous des risques à ne pas négliger.

• Risques 

Lors de l’achat d’un nou­veau DM, il est impor­tant de se réfé­rer à « la matrice d’évaluation des risques et l’analyse des béné­fices-risques » [29] afin d’anticiper les dif­fi­cul­tés pou­vant sur­ve­nir et, dans le meilleur des cas, trou­ver des solu­tions à ces problèmes.

L’inconvénient majeur de l’IA dans l’IM du côté diag­nos­tic est le manque de jus­ti­fi­ca­tion. En effet, l’attente prin­ci­pale du radio­logue est d’avoir un outil fiable. Or l’IA n’est pas dans la capa­ci­té de four­nir une jus­ti­fi­ca­tion quant aux diag­nos­tics éta­blis : il n’est pas pos­sible de remon­ter l’algorithme et savoir quels élé­ments ont été pris en compte pour par­ve­nir à cette déci­sion. Ce manque d’informations cru­ciales remet en ques­tion la légi­ti­mi­té de l’outil. De plus, il arrive que l’IA se trompe dans ses constats et fait des erreurs que même un jeune méde­cin n’aurait pas fait, ce qui décré­di­bi­lise la puis­sance de l’IA et pour­rait mettre des radio­logues dans une posi­tion juri­dique déli­cate en cas d’erreur médi­cale. En plus de cela, elle ne peut pas s’appuyer sur les anté­cé­dents du patient. Enfin, l’IA s’améliorant en se basant sur une base de don­nées com­po­sée de cli­chés d’une haute qua­li­té, il est dif­fi­cile pour elle de pro­gres­ser et donc tout à fait com­pré­hen­sible que le radio­logue se pose des ques­tions sur la manière dont elle compte se perfectionner.

L'importation d’une IA engendre éga­le­ment des risques stra­té­giques avec la modi­fi­ca­tion des orga­ni­sa­tions ins­tau­rées au sein du ser­vice d’IM et des com­pé­tences du per­son­nel requises. Il peut donc y avoir des dif­fi­cul­tés d’adaptation, avec un rebut des équipes. De plus, cer­tains col­la­bo­ra­teurs peuvent craindre qu’il y ait une modi­fi­ca­tion des mis­sions atti­trées. Par ailleurs, il est aus­si pos­sible que cer­tains hôpi­taux soient davan­tage sol­li­ci­tés que d’autres, ce qui pour­rait créer un afflux dans un cas, et une déser­ti­fi­ca­tion dans d’autres. Enfin, une ques­tion se pose sur les don­nées des patients : com­ment sont-elles gérées et pro­té­gées ? Une étude est à faire sur l’implantation d’un tel sys­tème qui requiert cer­tai­ne­ment un sys­tème de sau­ve­garde de ces données.

Les der­niers aspects non négli­geables à abor­der sont les risques éco­no­miques. Les ser­vices d’IM sont déjà consi­dé­rés comme les plus oné­reux en rai­son du prix des DM et des ins­tal­la­tions spé­ci­fiques requises pour bâtir les salles. En optant pour une IA, il faut aus­si bien com­prendre le coût réel qu’elle implique. Ces cri­tères éco­no­miques ont été vus aupa­ra­vant et après réflexion, la ren­ta­bi­li­té éco­no­mique de l’IA ne se fera pas avant des dizaines d’années [30].

Il y a donc de nom­breux enjeux et risques à prendre en compte dans un domaine où tra­vaillent en coopé­ra­tion divers acteurs.

C) Acteurs

Cette par­tie vise à défi­nir les dif­fé­rents acteurs concer­nés par l’IA dans l’IM dans la sphère des fabri­cants, pro­ta­go­nistes du diag­nos­tic et per­sonnes indi­rec­te­ment concernées. 

Diagnostics et soins 

• Patients : Les patients sont concer­nés par l’IA car leurs images sont ana­ly­sées par des radio­logues qui uti­lisent sou­vent des aides au diag­nos­tic. L’enjeu pour le patient est direc­te­ment lié à sa san­té et par­ti­cu­liè­re­ment aux urgences ou pour la détec­tion de can­cers. La qua­li­té des diag­nos­tics est liée à la manière de trai­ter leurs images, et pour la prise en charge médi­cale qui sui­vra s’il est néces­saire. De plus, en cas d’urgence le délai de prise en charge ou la pose de diag­nos­tic peuvent être raccourcis.
• Radio­logues : L’IA est employée dans l’étude d’IM dans des stades d’étude pré-cli­niques et cli­niques, et les radio­logues sont les prin­ci­paux concer­nés par cette avan­cée. Elle assiste le radio­logue et lui per­met de sim­pli­fier et accé­lé­rer la lec­ture d’IM. L’arrivée de l’IA a fait subir lors des quatre der­nières années une réelle muta­tion aux radio­logues et devient aujourd’hui inévi­table pour ce métier d’après une inter­view avec un spé­cia­liste de l’IA. L’apport de l’IA dans le métier de radio­logue se carac­té­rise en un gain de temps sur l’analyse de images, et en un gain en confiance des diag­nos­tics car ils ont le contrôle d’un logi­ciel en plus. L’IA dimi­nue le stress qui pèse sur eux en limi­tant les erreurs qui sont humaines mais lourdes en res­pon­sa­bi­li­té et qui peuvent mener à des burn-out. Dans une enquête de la socié­té fran­çaise de la radio­lo­gie avec le sou­tien de GE Heal­th­care à l’occasion des jour­nées fran­co­phones de la radio­lo­gie de 2017, 82% des radio­logues pensent que l’IA peut amé­lio­rer la per­ti­nence des déci­sions cli­niques [31]. Ce chiffre montre que des outils d’IA sont bien reçus par la pro­fes­sion. D’après un entre­tien réa­li­sé auprès d’un interne en radio­lo­gie, les logi­ciels d’IA sont uti­li­sés assez régu­liè­re­ment (notam­ment Bone­View de Glea­mer pour la détec­tion des frac­tures) et sont vus comme une sécu­ri­té sup­plé­men­taire per­met­tant d’augmenter la sen­si­bi­li­té. Les IA qui leur sont par­ti­cu­liè­re­ment utiles sont celles per­met­tant de clas­ser les exa­mens prio­ri­taires (une image radio­gra­phique affi­chée comme patho­lo­gique par exemple). De plus, il a pré­ci­sé que les logi­ciels d’IA sont uti­li­sés sys­té­ma­ti­que­ment dans cer­taines situa­tions (en plus des ana­lyses réa­li­sées par les radio­logues) telles que pour la recherche de nodules pul­mo­naires afin de limi­ter les erreurs. Le retour réa­li­sé par cet interne a été très posi­tif par rap­port aux futures uti­li­sa­tions de l’IA en IM. Cepen­dant, il est impor­tant de prendre en compte la diver­si­té des avis des radio­logues aujourd’hui et notam­ment les réti­cences de cer­tains vis-à-vis des logi­ciels d’IA.
• Cher­cheurs : Les cher­cheurs sont concer­nés par les avan­cées en termes d’innovations tech­no­lo­giques et l’IA est une avan­cée signi­fi­ca­tive dans le domaine de l’IM. Ils ont un rôle dans le déve­lop­pe­ment des nou­veaux outils et leurs uti­li­sa­tions ain­si que le croi­se­ment entre le domaine tech­nique qui concerne les DM et les outils d’aide au diagnostic.
• Équipes médi­cales : Le corps médi­cal tra­vaille en lien avec le ser­vice d’IM et délivre des soins qui dépendent direc­te­ment du diag­nos­tic des radiologues.

Fabricants 

• Construc­teurs de dis­po­si­tifs d'IM : Dans un milieu aus­si concur­ren­tiel que celui des DM, celui des dis­po­si­tifs d'IM a une place impor­tante et les options ven­dues avec un pro­duit peuvent faire pen­cher la balance et influen­cer le mar­ché. L’IA est un élé­ment impor­tant qui est inté­gré dans les logi­ciels de post-trai­te­ment des images avec plu­sieurs appli­ca­tions sou­vent opti­mi­sées pour leurs équipements.
• Déve­lop­peurs de logi­ciels de post-trai­te­ment : Les déve­lop­peurs de logi­ciels sont des entre­prises à taille variable ou des start-ups et ils jouent un rôle essen­tiel dans l’innovation, qui repré­sente un mar­ché très concur­ren­tiel où la pro­duc­tion de nou­veau­tés peut créer la dif­fé­rence. Les IA sont beau­coup uti­li­sées dans le déve­lop­pe­ment de nou­veaux outils des­ti­nés aux radio­logues et leur concep­tion dépend de chaque moda­li­té et type d’anatomie qui est observée.

Acteurs indirects 

• Direc­tion des centres de san­té : La direc­tion a un rôle de vali­da­tion ou non des achats. Elle peut choi­sir de mettre en avant l’innovation en employant des tech­niques ou équi­pe­ments nova­teurs qui n’ont pas été adop­tés par l’ensemble des éta­blis­se­ments par exemple.
• Ser­vice bio­mé­di­cal : Le ser­vice bio­mé­di­cal est le ser­vice char­gé des achats, puis de l’entretien des solu­tions tech­niques qu’ils four­nissent aux dif­fé­rents ser­vices de l’hôpital.
• Orga­nismes légis­la­tifs : Les orga­nismes légis­la­tifs entrent en jeu lors de la créa­tion d’un DM. Si un logi­ciel uti­li­sant l’IA est un DM, il est sou­mis à la même régle­men­ta­tion que les autres DM avec les règles de clas­si­fi­ca­tions asso­ciées aux risques.
• Admi­nis­tra­teurs des sys­tèmes d’information : Ils s'occupent des sys­tèmes infor­ma­tiques et doivent s’assurer que les infor­ma­tions entre les dif­fé­rents sys­tèmes infor­ma­tiques de l'hôpital peuvent être com­mu­ni­quées entre eux.

L’IA concerne donc plu­sieurs acteurs de la san­té qui inter­viennent à dif­fé­rents moments dans l’offre de soins (voir Figure n°10).

 Figure n°10 : Diagramme des différents acteurs de l’IA en IM (source : auteurs) 

III - L'offre en IA proposée aux radiologues

Le bench­mark qui suit ne sera pas une liste exhaus­tive des IA dans l’IM car le nombre de logi­ciels déve­lop­pés ne cesse d’évoluer : les recen­ser sor­ti­rait du but de ce pro­jet. Une liste d’IA qui sont com­mer­cia­li­sées pour don­ner des exemples dans des appli­ca­tions variées en IM seront pré­sen­tées. Les inter­views qui ont été réa­li­sées sont éga­le­ment des sources d’informations impor­tantes pour ce benchmark.

A) Méthodologie 

Dans le cadre des recherches pour ce pro­jet, et dans le but de se l’approprier en pro­fon­deur et de réa­li­ser un bench­mark, six inter­views avec des acteurs du milieu de l’IA dans l’IM ont été réa­li­sées. Par­mi ces per­sonnes, des ven­deurs d’IA dans des star­tup, des déve­lop­peurs tra­vaillant chez des construc­teurs et des spé­cia­listes de dif­fé­rentes moda­li­tés uti­li­sant l’IA ont accep­té de répondre à des ques­tions en lien avec ce pro­jet. La diver­si­té des pro­fils inter­ro­gés étant très riche, voi­ci un résu­mé des infor­ma­tions acquises lors des inter­views réa­li­sées dans le cadre de ce rapport.

Les élé­ments obte­nus lors des entre­vues concernent les types d’IA, en fonc­tion des appli­ca­tions de ces der­nières, et prin­ci­pa­le­ment l’amélioration de l’image et l’aide au diag­nos­tic lors du post-trai­te­ment. Il existe éga­le­ment plu­sieurs indi­ca­teurs de per­for­mance d’une IA, détaillés dans ce dos­sier dans la par­tie éva­lua­tion. Des docu­men­ta­tions trai­tant de l’IA d’un concep­teur d’IA en IM ont éga­le­ment été four­nies lors d’une inter­view, ain­si que des infor­ma­tions au sujet des bases de don­nées qui aident à entraî­ner une IA et l'importance des anno­ta­tions. En effet, un logi­ciel d’IA a besoin d’avoir des pré­ci­sions sur les images qui lui sont don­nées pour être effi­cace et la qua­li­té des anno­ta­tions sera direc­te­ment liée à celle des ana­lyses de l’IA.

B) Acquisition de l'image et IA

L’IA peut inter­ve­nir dès l’acquisition de l’image. Selon la moda­li­té, dif­fé­rentes appli­ca­tions sont pos­sibles : l’IA a pour but d’améliorer l’installation du patient, sim­pli­fier les actions des mani­pu­la­teurs en radio­lo­gie et réduire les doses de rayons X reçues par le patient.

Par exemple en Scan­ner, le logi­ciel Pre­cise Posi­tion de Phi­lips (voir Figure n°11) per­met, à l’aide d’une camé­ra fixée au pla­fond au-des­sus de la table qui va détec­ter dif­fé­rents points d’anatomie en s’appuyant sur les pro­fon­deurs et cou­leurs, de posi­tion­ner auto­ma­ti­que­ment le patient de façon à pou­voir prendre des cli­chés dans les meilleures condi­tions pos­sibles. Cela évite ain­si d’obtenir des images non-inter­pré­tables et de recom­men­cer l’installation du patient, fai­sant gagner jusqu’à 23% du temps de l’acte médi­cal [32].

Figure n°11 : Interface du logiciel Precise Position de Philips (source : Philips.fr) 

De plus, il est pos­sible d’éviter d’irradier, pour les moda­li­tés employant les rayons X, une zone qui ne devrait pas être expo­sée aux rayons grâce à cette tech­no­lo­gie, d’après un spé­cia­liste de la moda­li­té de chez Phi­lips. En effet, en choi­sis­sant auto­ma­ti­que­ment le bon site à visua­li­ser dès la pre­mière séquence de l’examen, il ne sera pas néces­saire de refaire d’autres cli­chés. Ain­si, le temps durant lequel le patient est sou­mis aux rayons est réduit et leur dif­fu­sion dans la zone de l’endroit irra­dié sera mini­mi­sée. L’IA peut amé­lio­rer la qua­li­té d’une image pour la rendre plus lisible en atté­nuant le bruit. Sachant que la qua­li­té d’une image est liée à la durée d’un exa­men, il est pos­sible de limi­ter cette durée et la dose de radia­tions absor­bée par le patient. Pour les exa­mens d’IRM, cette amé­lio­ra­tion de la qua­li­té de l’image per­met­tra de dimi­nuer la durée des exa­mens qui est rela­ti­ve­ment longue (15 à 30 min).

L’utilisation de l’IA ne s’arrête pas là, elle peut éga­le­ment être employée dans le reca­lage entre les images. Lorsqu’un même patient réa­lise plu­sieurs cli­chés de moda­li­tés dif­fé­rentes, le radio­logue doit toutes les inter­pré­ter et il peut être dif­fi­cile de se repé­rer. Chez GE, une IA peut lan­cer une ana­lyse auto­ma­tique entre deux moda­li­tés dif­fé­rentes : il est ain­si pos­sible de savoir quel pixel d’une image d’une IRM cor­res­pond à quel pixel de celle d’un scanner.

Enfin, une autre appli­ca­tion est l’amélioration du workflow.Cela per­met d’accélérer la prise en charge du patient et la pose de son diag­nos­tic en favo­ri­sant l’échange de ses infor­ma­tions entre dif­fé­rents acteurs et sys­tèmes. Par exemple chez GE, l’Intel­li­gent Pro­to­co­ling Work­flow [33]  per­met au doc­teur géné­ra­liste rece­vant un patient ayant des dou­leurs au foie d’envoyer direc­te­ment son ordon­nance à un hôpi­tal pour lui faire pas­ser un scan­ner de l’abdomen. L’Intelligent Pro­to­co­ling va par la suite ana­ly­ser les don­nées reçues et, en fonc­tion des pro­cé­dures de l’établissement, choi­sir par­mi plu­sieurs pro­to­coles d’acquisition celui qui sera le plus adap­té. Ce pro­to­cole est ensuite envoyé au scan­ner et la par­tie à visua­li­ser sera sélec­tion­née auto­ma­ti­que­ment, qui, dans ce cas, sera l’abdomen. Les don­nées récol­tées seront ensuite trans­mises au radio­logue. Cette auto­ma­ti­sa­tion per­met de gagner du temps et d’améliorer la qua­li­té de l’examen global.

C) Reconstruction de l’image et IA 

L’IA peut éga­le­ment être uti­li­sée lors de la recons­truc­tion de l’image afin de réduire au maxi­mum le bruit et les arté­facts qui peuvent para­si­ter le signal : il est alors plus simple de tra­vailler dans le domaine spec­tral. Pour cela, des trans­for­ma­tions de Fou­rier sont réa­li­sées et des fré­quences sont ain­si obte­nues. L’IA s’appuie sur une base de don­nées rem­plies d’images brui­tées avec des arté­facts récur­rents et est entraî­née pour les recon­naître via leurs fré­quences : il s’agit dans ce cas du Deep Lear­ning. De cette manière, l’IA est capable d’éliminer auto­ma­ti­que­ment ces élé­ments indé­si­rables lors de la recons­truc­tion de l’image qui, une fois affi­chée au radio­logue, sera moins floue avec un rap­port signal sur bruit (S/B) aug­men­té, et donc avec moins de bruit et d’artéfacts. Par ailleurs, le temps d’acquisition peut être réduit, pas­sant de 1 minute et 55 secondes à 1 minute et 18 secondes grâce à la tech­no­lo­gie Air Recon DL de GE en IRM par exemple [34] (voir Figure n°12).

Figure n°12 : Application de l’IA Air Recon DL de GE, permettant de réduire le bruit et le temps d’acquisition en scanner (source : gehealthcare.com) 

Pour le moment, tous les logi­ciels d’IA de recons­truc­tion d’images déjà com­mer­cia­li­sés ne fonc­tionnent que sur celles qui sont en 2D, puis la recons­truc­tion en 3D est pos­sible. Phi­lips compte bou­le­ver­ser ce mar­ché dans les années à venir en pro­po­sant de tra­vailler direc­te­ment sur les images en 3D grâce à SmartS­peed. Concer­nant le prix des IA, il peut varier gran­de­ment selon les fonc­tion­na­li­tés : chez Phi­lips, il va de 50 000 € à 100 000 € pour les IRM d’après un spé­cia­liste de la moda­li­té de chez Phi­lips. L'IA en IRM est davan­tage uti­li­sée par rap­port aux autres moda­li­tés car l’acte médi­cal est celui qui est le plus coû­teux et il y a une mul­ti­tude d’images issues des dif­fé­rentes séquences. Cepen­dant, il y a de nom­breux logi­ciels pour chaque moda­li­té ayant tous la même fina­li­té : recons­truire l’image en aug­men­tant au maxi­mum le S/B. GE four­nit, entre autres, deux logi­ciels per­met­tant d’améliorer la qua­li­té de l'image : Air Recon DL en IRM et True Fide­li­ty en Scan­ner. Il existe éga­le­ment d’autres logi­ciels avec le même but en écho­gra­phie tel que Smart Face de Min­dray [35] ou Subt­le­Pet de Incep­to en TEP-Scan [36].

L’IA uti­li­sée pour la recons­truc­tion de l’image s’avère donc utile et per­met de faci­li­ter la lec­ture pour le radio­logue en pro­po­sant un meilleur ren­du. D’autres types d’IA ont une toute autre uti­li­sa­tion et sont déjà uti­li­sés en cli­nique depuis un moment : il s’agit des IA d’analyse de l’image.

D) Analyse de l’image et IA 

Les IA d’analyse de l’image existent et sont uti­li­sées depuis long­temps com­pa­rées à celles de recons­truc­tion de l’image qui sont plu­tôt récentes, bien que toutes les deux ont recours au Deep Lear­ning. Dans un pre­mier temps, l’image va être clas­si­fiée en attri­buant un label à chaque image. Puis vient une par­tie bien plus inté­res­sante qui est la détec­tion d’une posi­tion d’intérêt : il est ain­si pos­sible de deman­der à un réseau de neu­rones de détec­ter une tumeur par exemple. Le champ d’application de l’IA s’agrandit consi­dé­ra­ble­ment dans ce domaine car il est pos­sible de réa­li­ser une mul­ti­tude d’actions. Chez GE (Gene­ral Elec­tric) par exemple, il existe un grand pôle de déve­lop­pe­ment autour de la seg­men­ta­tion qui per­met de sépa­rer dif­fé­rents organes dans une image tout en les clas­si­fiant, ces infor­ma­tions ont été acquises lors d’un entre­tien avec un déve­lop­peur d’IA de chez Gene­ral Elec­tric. Cela est ren­du pos­sible grâce au fait que l’IA “se demande” à quel organe appar­tient chaque pixel de l’image et va donc les clas­ser en fonc­tion de cela. Il est éga­le­ment pos­sible d’obtenir entre autres une label­li­sa­tion auto­ma­tique des élé­ments recher­chés, une détec­tion des tumeurs, etc. Par la suite, des exemples d’application de l’IA en ana­lyse de l’image par moda­li­té sera présentée.

• IRM 

Keros de Incep­to per­met de détec­ter et ana­ly­ser l'ampleur des lésions de liga­ments, de ménisques et de car­ti­lages en affi­chant un sys­tème de sco­ring en cou­leur (voir Figure n°13). Dans la par­tie à gauche, des indi­ca­tions cli­niques concer­nant la bles­sure du patient sont don­nées. Pour aider le radio­logue, une repré­sen­ta­tion en 2D de la zone obser­vée est repro­duite avec l’image de base sur la droite. Sur ce modèle, les zones nor­males sont en vert tan­dis que les zones qui ne le sont pas sont signa­lées en rouge. Cela per­met, en un coup d’œil rapide, d’identifier l’endroit à risque. De plus, ce logi­ciel est éga­le­ment com­pa­tible avec les PACS et consoles de revue, per­met­tant ain­si aux radio­logues d'obtenir un rap­port détaillé ou syn­thé­tique au choix [37].

Figure n°13 : Keros, IA de détection des lésions du genou pour l’IRM (source : incepto-medical.com) 

Pixyl.Neuro.MS (voir Figure n°14) est une autre IA d’Incepto per­met­tant cette fois-ci d’être une aide au diag­nos­tic et d’assurer le sui­vi de la sclé­rose en plaques d’un patient. Après une IRM du cer­veau, cha­cune de ses régions est ana­ly­sée : le nombre de lésions est comp­té et leur volume glo­bal est cal­cu­lé. En plus de cela, les contours de ces lésions sont mis en valeur sur les images au for­mat DICOM grâce à une légende en cou­leur qui per­met de dif­fé­ren­cier les nou­velles lésions, celles qui ont aug­men­té en taille et celles qui sont stables. Ces résul­tats sont visibles dans l’espace de lec­ture habi­tuel du radio­logue, ce qui per­met de ne pas le désta­bi­li­ser, et au contraire lui four­nir davan­tage d’informations. De la même manière que l’IA Keros, un rap­port détaillé ou syn­thé­tique au choix est auto­ma­ti­que­ment géné­ré [38].

Figure n°14 : Pixyl.Neuro.MS, IA d’aide au diagnostic et du suivi de la sclérose en plaques (source : incepto-medical.com) 

• Tomo­den­si­to­mé­trie - Scan­ner 

L’IA CT Bone Rea­ding de Sie­mens per­met de géné­rer des images de déploie­ment des côtes et numé­rote auto­ma­ti­que­ment ces der­nières ain­si que les épines tho­ra­ciques ce qui faci­lite la tâche du radio­logue dans la détec­tion des méta­stases osseuses tho­ra­ciques du can­cer du sein [39]. Il est éga­le­ment pos­sible d’ajouter des notes direc­te­ment sur ces labels. Cette IA pro­pose dif­fé­rentes vues pos­sibles, ce qui offre une vision glo­bale au radio­logue. Sur la figure n°15 ci-des­sous, l’image a) repré­sente les côtes déployées. Ces der­nières peuvent être orien­tées dans plu­sieurs sens via la molette de la sou­ris ou en cli­quant sur les icônes en bas de l’écran. Si le radio­logue clique sur une zone par­ti­cu­lière de l’image a), alors des coupes sagit­tales coro­nales, trans­ver­sales et per­pen­di­cu­laires des côtes sont affi­chées en même temps (res­pec­ti­ve­ment : images b), c), d) et e)). Les coupes sagit­tales et coro­nales des ver­tèbres tho­ra­ciques sont éga­le­ment consul­tables sur les images f) et g). Enfin, l’image h) repré­sente une vue zoo­mée trans­verse des der­nières coupes.

Figure n°15 : CT Bone Reading, IA de labellisation des côtes (source : siemens-healthineers.com) 

En ima­ge­rie inter­ven­tion­nelle, le méde­cin peut injec­ter au patient des pro­duits qui ont pour voca­tion de tuer les cel­lules tumo­rales comme les chi­mioem­bo­li­sa­tions et les radioem­bo­li­sa­tions. Pour cela, un tube cathé­ter est insé­ré dans le patient au niveau fémo­ral et remonte jusqu’au foie. Pour voir où le méde­cin se situe et savoir s’il est au bon endroit, des rayons X sont envoyés et récu­pé­rés via des détec­teurs de l’autre côté. Le méde­cin peut ain­si voir les images en temps réel. De plus, il est pos­sible de tour­ner le tube autour du patient afin d’avoir des coupes en 3D. Désor­mais, GE pro­pose de seg­men­ter le foiea­vec son logi­ciel Liver ASSIST Vir­tual Paren­chy­ma [40] pour que le méde­cin puisse auto­ma­ti­que­ment voir le volume du foie du patient et com­prendre le rap­port entre les artères qu’il voit et le foie. Il est éga­le­ment pos­sible de savoir quel vais­seau est atta­qué grâce à une ana­lyse des vais­seaux et du bord du foie. Sur la figure n°16 ci-des­sous, quatre vues sont affi­chées simul­ta­né­ment : la pre­mière repré­sente une repré­sen­ta­tion en 3D du foie avec une mise en valeur des artères et de la zone tumo­rale entou­rée en bleu. Puis res­pec­ti­ve­ment, les coupes coro­nales, sagit­tales et axiales sont affichées.

Figure n°16 : Liver ASSIST Virtual Parenchyma, IA de segmentation du foie (source : gehealthcare.com) 

• Radio­gra­phie 

Étant don­né le contexte actuel avec la crise sani­taire, la Covid-19 est une grande pré­oc­cu­pa­tion au sein des hôpi­taux. Encore une fois, l’IA a su se rendre utile en étant capable de détec­ter et clas­ser des cas de Covid-19 en uti­li­sant des images radio­gra­phiques cou­plées à des cartes ther­miques mon­trant une plus grande zone de cha­leur dans les pou­mons des cas de Covid (voir Figure n°17). Tout d’abord, le modèle d'apprentissage pro­fond Dark­Co­vid­Net [41] a été entraî­né pour clas­ser les images radio­gra­phiques en trois classes : Covid-19, No-Fin­dings, Pneu­mo­nia. Puis, il a fina­le­ment été entraî­né à ne détec­ter que deux classes : Covid-19 et No-Findings.

Figure n°17 : DarkCovidNet, IA de détection et classification du Covid-19 (source : sciencedirect.com) 

Quant à Smar­tUr­gences de Mil­vue, l’objectif est de prio­ri­ser et trier les radio­gra­phies d’urgences pour aider à la détec­tion d’anomalies tho­ra­ciques et en trau­ma­to­lo­gie. L’IA est donc capable de détec­ter des ano­ma­lies ana­to­miques afin de faire res­sor­tir au radio­logue les cli­chés qui devront néces­si­ter son atten­tion (voir Figure n°18) avec les zones anor­males enca­drées en vert. Cette IA per­met éga­le­ment d’établir des comptes ren­dus pré-docu­men­tés faciles et rapides. Mil­vue pro­pose aus­si Smar­tEx­pert, une IA qui per­met de mesu­rer auto­ma­ti­que­ment et ana­ly­ser en temps réel des dis­tances sur les radio­gra­phies [42].

Figure n° 18 : SmartUrgences, IA de détection de pathologies thoraciques (source : challenges.fr/start-up/milvue.fr) 

• Mam­mo­gra­phie 

En mam­mo­gra­phie, le logi­ciel Mam­mos­creen de The­ra­pixel est uti­li­sé pour les can­cers du sein afin de détec­ter et qua­li­fier faci­le­ment, via un sys­tème de sco­ring, si un tis­su est can­cé­reux ou non (voir Figure n°19). Pour cela, l'IA a été entraî­née pour recon­naître des lésions can­cé­reuses. Sur la Figure n°19, quatre images repré­sen­tant les inci­dences crâ­nio-cau­dales et médio­la­té­rales obliques de chaque sein sont affi­chées. Les masses seront entou­rées et accom­pa­gnées d’un score et d’une légende en rouge en cas de sus­pi­cions de tumeurs, et en jaune si l’IA est incer­taine. Sur la par­tie haute de l’application se trouve une légende avec des recom­man­da­tions adres­sées au radio­logue, et en bas se trouve une échelle per­met­tant d’identifier faci­le­ment quels sont les seins atteints. Il est éga­le­ment pos­sible d’ajuster le fil­trage [43].

Figure n°19 : Mammoscreen, IA de détection du cancer du sein (source : mammoscreen.com) 

Dans la même optique, Breast-Slim­View de la Hera-Mi per­met d’homogénéiser tous les élé­ments phy­sio­lo­giques du sein (les vais­seaux, les tis­sus conjonc­tifs, la glande mam­maire, les muscles et la graisse) afin de faci­li­ter l’interprétation du radio­logue en lui per­met­tant de se foca­li­ser sur les zones sus­pectes (voir Figure n°20) [44].

Figure n° 20 : Breast-SlimView, IA d’aide au diagnostic du cancer du sein (source : mammoscreen.com) 

• Echo­gra­phie 

En écho­gra­phie, le logi­ciel Smart Face CNS de Min­dray per­met de détec­ter auto­ma­ti­que­ment et avec pré­ci­sion les plans de coupes les plus impor­tants du Sys­tème Ner­veux Cen­tral fœtal (voir Figure n°21). Cela per­met ain­si de faci­li­ter le diag­nos­tic et d’obtenir un maxi­mum d’informations per­met­tant d’assurer la bonne san­té et le bon sui­vi du fœtus [35].

Figure n°21 : Smart Face CNS, IA de détection des meilleurs plans de coupes du SNC fœtal (source : mindray.com) 

Cap­tion AI per­met quant à lui de gui­der les pra­ti­ciens dans la réa­li­sa­tion d’examens écho­gra­phiques car­diaques. Il montre aux uti­li­sa­teurs en temps réel à quel point ils sont proches de cap­tu­rer une image écho­gra­phique de qua­li­té et four­nit une aide au posi­tion­ne­ment de la sonde pour chaque exa­men (voir Figure n°22) grâce à l’indicateur de la qua­li­té du signal de l’échographie en haut à gauche et les conseils des­ti­nés aux pra­ti­ciens en haut au centre. Sur la droite, il est éga­le­ment pos­sible de visua­li­ser une image de réfé­rence et une indi­ca­tion de la zone à visua­li­ser. De plus, pour les écho­gra­phies car­diaques, il per­met de cal­cu­ler la frac­tion d'éjection (pour­cen­tage de sang quit­tant le cœur chaque fois qu’il se contracte) [45].

Figure n°22 : Caption AI, aide à la réalisation d’échographies de qualité (source : captionhealth.com) 

• PET-Scan 

Concer­nant le PET-Scan, le logi­ciel PET VCAR de GE per­met de com­pa­rer plu­sieurs moda­li­tés (PET-Scan, scan­ner et IRM) afin de s'assurer que le patient réponde bien au trai­te­ment qui lui a été admi­nis­tré (voir Figure n°23). Cela res­semble à la seg­men­ta­tion décrite pré­cé­dem­ment, avec la cor­res­pon­dance des pixels [46].

Figure n°23 : PET VCAR, IA pour déterminer si le traitement du patient fonctionne (source : gehealthcare.com) 

Il existe donc une mul­ti­tude d’IA en IM, cha­cune ayant une fina­li­té. Afin de mieux visua­li­ser celles pré­sen­tées pré­cé­dem­ment, des tableaux réca­pi­tu­la­tifs sont dis­po­nibles ci-dessous. 

• Acqui­si­tion de l’image et IA 

Tableau n° 1 : Exemples d’IA d’acquisition de l’image 

D’autres appli­ca­tions existent en déve­lop­pe­ment et per­mettent de super­po­ser les pixels cor­res­pon­dant aux moda­li­tés d’IRM et de Scan­ner et aug­men­ter ain­si les capa­ci­tés de diag­nos­tic et de vitesse. 

• Recons­truc­tion de l’image et IA 

Tableau n° 2 : Exemples d’IA de reconstruction de l’image 

• Ana­lyse de l’image et IA 

Tableau n° 3 : Exemples d’IA pour l’analyse d’images médicales 

Toutes ces solu­tions pré­sen­tées sont des outils d’aide au diag­nos­tic : l’IA en tant que telle ne per­met pas de déli­vrer un diag­nos­tic, seul le radio­logue est apte à le faire. L’IA peut néan­moins par­ti­ci­per à un diag­nos­tic dit pré­dic­tif en anti­ci­pant la pro­gres­sion d’une mala­die en ana­ly­sant la réponse au trai­te­ment du patient. Elle peut éga­le­ment per­mettre d’éviter des erreurs sur des cli­chés extrê­me­ment dif­fi­ciles ou au contraire très simples. En effet, l’erreur est humaine et peut sur­ve­nir à tout moment, sur­tout lorsque l’on connaît les horaires et condi­tions de tra­vail des radio­logues qui peuvent être difficiles.

IV – Critères d’évaluation et limites de l’IA 

A) Facteurs de décision pour l'achat d'une IA

Les radio­logues peuvent se sen­tir sub­mer­gés par les offres d’IA. Il est donc néces­saire qu’ils puissent s’appuyer sur des cri­tères pré­cis afin d’être gui­dés lors du pro­ces­sus d’achat. Pour cela, un guide nom­mé ÉCLAIR gui­de­lines per­met de les aider à mieux choi­sir l’IA qui leur convien­drait [29].

La pre­mière chose à faire avant d’acheter une IA est de défi­nir le besoin des radio­logues : il faut bien se deman­der dans quel cas ils sou­hai­te­raient uti­li­ser l’IA et ce qu’elle pour­rait leur appor­ter. Étant don­né que l’IA peut être uti­li­sée pour dif­fé­rentes indi­ca­tions cli­niques, il est donc aus­si néces­saire de se pen­cher sur cette ques­tion. Cette étude glo­bale per­met ain­si d’instaurer un cadre et savoir dans quelle direc­tion il faut aller. En effet, ache­ter une fonc­tion­na­li­té qui ne sera pas uti­li­sée serait une perte d’argent. Par la suite, il y a une ana­lyse béné­fices-risques à faire car l’IA peut être sujet à des erreurs et dan­gers pou­vant entraî­ner la res­pon­sa­bi­li­té des radio­logues. Pour cela, il est pos­sible de se réfé­rer à « la matrice d’évaluation des risques et l’analyse béné­fices-risques dans le dos­sier tech­nique régle­men­taire four­ni par le four­nis­seur » [29].

Il y a éga­le­ment des contraintes maté­rielles qu’il faut prendre en compte. Tout d’abord, il est néces­saire d’avoir à dis­po­si­tion du maté­riel et des infra­struc­tures infor­ma­tiques com­pa­tibles et suf­fi­sam­ment per­for­mantes et puis­santes avec l’IA. Cela peut rapi­de­ment faire aug­men­ter les dépenses de l’hôpital. Il faut éga­le­ment prendre en compte les modules en option, l’installation logi­cielle et maté­rielle, la for­ma­tion du per­son­nel et les main­te­nances cura­tives et pré­ven­tives. Il y a donc une réelle étude des coûts des équi­pe­ments à réa­li­ser. Côté logi­ciel, il faut éga­le­ment pré­voir les futures mises à jour : seront-elles com­prises lors de l’achat de l’IA ou fau­dra-t-il encore débour­ser ? Il en est de même pour la licence qui peut être acquise selon dif­fé­rentes for­mules : men­suelle, annuelle, à vie ou bien à chaque uti­li­sa­tion - Soft­ware as a Ser­vice (SaaS) [47]. Cette der­nière et l’utilisation renou­ve­lable par mois sont pour le moment les plus appré­ciées car l’IA reste une option coû­teuse et elle n’est pas tout le temps uti­li­sée par les radiologues.

Enfin, le côté évo­lu­tif de l’IA, s’appuyant sur des cli­chés de haute qua­li­té, peut poser pro­blème dans un éta­blis­se­ment de san­té où les images ne sont pas tou­jours par­faites. Afin de s’améliorer, l’IA doit res­pec­ter des cri­tères de répé­ta­bi­li­té et de repro­duc­ti­bi­li­té qu’il faut donc consi­dé­rer. De plus, il faut que l’IA soit com­pa­tible et inté­grée au sys­tème PACS et facile à uti­li­ser. En effet, si l’outil est dif­fi­cile à prendre en main ou ne fonc­tionne pas bien en fond mul­ti­tâche, cela peut créer des confu­sions pour l’équipe et donc retar­der le diag­nos­tic déli­vré suite à l’analyse des clichés.

Il y a donc plu­sieurs fac­teurs de déci­sion à prendre en compte pour l’achat d’une IA en IM.

B) Critères d’évaluation d’une IA 

De par le manque d’outils concrets, il n’est pas facile pour tous les radio­logues d’évaluer les solu­tions d’IA qui leur sont pro­po­sées. Plu­sieurs points de réflexion sont pro­po­sés dans cette par­tie [48].

Com­prendre les élé­ments clés de concep­tion d’un logi­ciel per­met de mieux défi­nir ses points d’évaluation. Les logi­ciels d’IA gagnent en qua­li­té et per­for­mance selon la taille de leur base de don­nées et les cri­tères d'entraînement. Il faut donc s’attarder sur ces points.

Comme pré­sen­té dans l’article « Don­ner un sens à l’intelligence arti­fi­cielle : pour une stra­te­gie natio­nale et euro­péenne » de M. Gau­the­rot et al., il y a quatre cri­tères très impor­tants qui peuvent ser­vir de points d’appui pour les futurs acqué­reurs de solu­tions d’IA ou pour des édi­teurs de logi­ciels qui auront besoin de com­pa­rer les pro­duits de leur catalogue.

• La qua­li­té de la base de don­nées 

Pre­miè­re­ment, il y a la qua­li­té de l’apprentissage qui reflète celle de la base de don­nées. La taille de cette base est impor­tante car plus elle contient de don­nées, plus l’IA apprend à par­tir d’informations et de mises en forme dif­fé­rentes, et moins il y aura d’inconnues. Cela per­met de réduire le taux de faux positifs/faux néga­tifs ain­si que la pro­ba­bi­li­té que l’IA ren­contre une situa­tion qu’elle pour­rait mal inter­pré­ter. De ce fait, l’IA par­vien­dra plus faci­le­ment à ana­ly­ser un nou­veau cli­ché en s’appuyant de ce qu’elle aura déjà connu aupa­ra­vant. Ce méca­nisme est sem­blable à l’apprentissage humain : si un enfant apprend à recon­naître des images d’un ani­mal vu sous dif­fé­rents aspects, il sau­ra mieux le recon­naître la pro­chaine fois qu’il en ver­ra un. Un autre élé­ment essen­tiel est le fait que l’IA puisse s’entraîner sur des images de qua­li­té dif­fé­rentes (plus ou moins brui­tées) pro­ve­nant de patients dif­fé­rents car cela amé­liore la repré­sen­ta­ti­vi­té de l’IA et elle sera ain­si capable de tra­vailler sur des cli­chés de mau­vaise qua­li­té. Un uti­li­sa­teur d’imagerie plu­tôt novice pour­rait tout de même exploi­ter son image grâce à l’IA, même avec un cli­ché moins bien réus­si qu’un expert. 

• La qua­li­té des anno­ta­tions 

Le second grand axe d’évaluation est l’annotation des don­nées. Cette étape a lieu lors de la prise d’un cli­ché : les élé­ments d’intérêt comme la pré­sence d’une frac­ture ou d’une tumeur par exemple sont ren­sei­gnés, ce qui per­met d’aider et d'aiguiller le diag­nos­tic de l'IA. Des anno­ta­tions de bonnes qua­li­tés sont pré­cises spa­tia­le­ment et ne com­portent pas d’erreur. Elles sont faites par des radio­logues spé­cia­listes et experts dans leurs domaines, et auront donc plus de valeur que celles de néo­phytes. Si le pro­ces­sus d'annotation com­prend plu­sieurs radio­logues experts, l’utilisateur aura une plus grande confiance et la qua­li­té sera d’autant plus amé­lio­rée. C'est pour­quoi il est impor­tant de connaître les pro­fils des indi­vi­dus (métiers, expé­riences, com­pé­tences...) ayant anno­té les don­nées. Les don­nées sont véri­fiées plu­sieurs fois, ce qui fait que les défauts d’annotations sont moindres. Cela prend beau­coup de temps et repré­sente donc un point d’évaluation essen­tiel : la robus­tesse de la solu­tion en dépend.

• Méthode d’entrainement 

Le troi­sième point d’évaluation est l'entraînement qui condi­tionne l’apprentissage. Pour aug­men­ter les per­for­mances de l’IA, il est dif­fi­cile mais bon d’utiliser des images de mau­vaise qua­li­té pour élar­gir son champ d’action. Cela se fait sou­vent avec du Deep Lear­ning, il faut donc un volume de don­nées impor­tant et il peut être judi­cieux de se deman­der d'où viennent les don­nées. Dans le cas d’un construc­teur, l'entraînement se fait sou­vent sur des cli­chés de leurs machines d’imagerie alors que pour les IA déve­lop­pées par des petites entre­prises, il y a sou­vent des par­te­na­riats. La diver­si­té des ori­gines des don­nées per­met d’augmenter la qua­li­té de l’apprentissage. Si l'entraînement ne se fait qu’avec des don­nées simi­laires, l’IA pour­ra dif­fi­ci­le­ment four­nir des résul­tats cor­rects. Il faut donc véri­fier que lors du déve­lop­pe­ment du logi­ciel, des jeux de don­nées dif­fé­rents aient été uti­li­sés :  un jeu pour l'entraînement, un second pour per­fec­tion­ner les déci­sions de l’IA et un der­nier pour éva­luer l’exactitude des résul­tats. Dans le cadre de l’Imagerie Médi­cale, il faut que ces don­nées viennent de patients dif­fé­rents pour prendre en compte la varia­bi­li­té entre deux indi­vi­dus, sinon les résul­tats seront biai­sés. La dif­fi­cul­té est donc d’avoir une IA per­for­mante à la fois sur les don­nées qu’elle aura ren­con­trées lors de son appren­tis­sage et sur d’autres incon­nues car sans cela, elle n’a aucun inté­rêt médical. 

• Uti­li­ser une méthode d'évaluation adap­tée 

Pour éva­luer une solu­tion d’IA, il convient de pou­voir la com­pa­rer à une réfé­rence qui peut être des experts indé­pen­dants comme des radio­logues experts dans leurs domaines. Il faut pou­voir com­pa­rer sur de nom­breux cas avec plu­sieurs d’entre eux. Si l’IA donne des résul­tats sem­blables à ceux des réfé­rences, le modèle peut être validé. 

Pour finir, pour éva­luer concrè­te­ment une IA, il faut connaître les taux de vrais posi­tifs, vrai néga­tifs, faux posi­tifs et faux néga­tifs (voir Tableau n°4).

Tableau n°4 :  Méthode d’évaluation de l’IA selon les taux de vrai positifs/négatifs et faux positifs/négatifs 

Avec une IA qui donne un grand nombre de faux posi­tifs, beau­coup de patients ne seront pas diag­nos­ti­qués cor­rec­te­ment. Cela sera ampli­fié si les radio­logues n’ont pas le réflexe de véri­fier les résul­tats don­nés par l’IA. Évi­dem­ment la confiance accor­dée à une solu­tion dépend de son taux de vrais posi­tifs et néga­tifs : ces pour­cen­tages doivent être très proches de 100%. Ce sont donc des points de com­pa­rai­son très inté­res­sants et com­pré­hen­sibles pour un praticien. 

• Aspects régle­men­taires et aide à la déci­sion d’achat 

Omou­mi et al. ont publié un article sur des ques­tions per­ti­nentes à poser aux four­nis­seurs [29].

D’un point de vue régle­men­taire, il faut éga­le­ment s’assurer du mar­quage CE des logi­ciels. Des réflexions sont en cours sur des méthodes de cer­ti­fi­ca­tion des IA. Le prin­cipe serait sem­blable à des contrôles métro­lo­giques par des orga­nismes cer­ti­fiés. Le but serait d’élaborer des pro­to­coles de test d’IA. Cédric Vil­la­ni a d'ailleurs mon­tré ce besoin dans son rap­port sur l’IA en mars 2018 [49]. Concrè­te­ment, il sera pos­sible d’évaluer les IA uni­que­ment sur leur capa­ci­té à four­nir un bon résul­tat. Cepen­dant dans le cas de la san­té, il serait plus judi­cieux d'approfondir sans se baser seule­ment sur le taux d’erreur. En effet, il faut notam­ment prendre en compte la pré­ci­sion des IA de seg­men­ta­tion ou la perte de signal pour une IA qui modi­fie la qua­li­té d’une image par exemple.

La robus­tesse de l’IA est impor­tante et peut être éva­luée en la confron­tant à un grand nombre de don­nées diverses et incon­nues. Si elle est robuste, l’IA conti­nue­ra de répondre posi­ti­ve­ment face aux pro­blèmes posés au fur et à mesure du défi­le­ment des données. 

Pour objec­ti­ver sa méthode d’évaluation, poser des ques­tions sur le déve­lop­pe­ment des IA per­met de répondre aux points pré­sen­tés ci-des­sus. Cer­taines IA ne sont entraî­nées que par des images d’un même construc­teur, il est donc judi­cieux de savoir si cette tech­no­lo­gie est appli­cable avec d’autres machines d’imagerie. Cepen­dant, elles res­tent sou­vent opti­mi­sées que pour un four­nis­seur : les IA de fabri­cants géné­ra­listes ne seront dis­po­nibles que pour des machines défi­nies. Les IA déve­lop­pées par des start-ups sont sou­vent entraî­nées sur des don­nées issues de machines dif­fé­rentes grâce aux par­te­na­riats : elles ont donc accès à des qua­li­tés d’images dif­fé­rentes et plus de variabilités. 

Il est pos­sible de s’appuyer sur des orga­nismes comme le Labo­ra­toire Natio­nal de métro­lo­gie et d’Essais (LNE) qui est un éta­blis­se­ment public à carac­tère indus­triel et com­mer­cial. En plus de tra­vailler sur la créa­tion d’une pla­te­forme d’évaluation de l’intelligence arti­fi­cielle (LEIA) [50] pour 2022, il orga­nise des éva­lua­tions de sys­tèmes uti­li­sant l’IA pour de la vidéo et de l’image, notam­ment avec de la recon­nais­sance de formes. Des envi­ron­ne­ments de test avec un afflux impor­tant de don­nées peuvent être aus­si repro­duit. Les logi­ciels d’IA pour­raient ain­si être ame­nés à néces­si­ter une cer­ti­fi­ca­tion après éva­lua­tion de leurs per­for­mances et carac­té­ris­tiques pour entrer sur le marché. 

L’article d'Omoumi et al. « To buy or not to buy - eva­lua­ting com­mer­cial AI solu­tions in radio­lo­gy (the ECLAIR gui­de­lines) » [29] cité plus haut met en évi­dence dix points à contrô­ler pour éva­luer une IA en radio­lo­gie. Cela est divi­sé en cinq par­ties com­pre­nant la per­ti­nence de l’IA (réponse aux besoins et champ d’application, avan­tages et risques), la per­ti­nence et la vali­da­tion (algo­rithmes et leurs spé­ci­fi­ca­tions) et l’intégration de l’IA (com­ment l'intégrer dans des acti­vi­tés exis­tantes, ses exi­gences maté­rielles et l’interopérabilité avec les autres sys­tèmes d’imagerie comme le PACS). Vient ensuite l'aspect régle­men­taire où la solu­tion doit être conforme aux régle­men­ta­tions en vigueur sur les DM. Le der­nier point est l’aspect finan­cier et il peut être le point le plus impor­tant pour cer­tains. L’IA est cen­sée faire gagner du temps mais il faut prendre en compte les coûts d’installation, de for­ma­tions et de main­te­nance. Le temps d’analyse est aus­si à prendre en compte car il faut que le résul­tat ren­du par l’IA soit le plus court pos­sible, voire imper­fec­tible. Cepen­dant, le point le plus impor­tant est cer­tai­ne­ment la réponse aux besoins bien iden­ti­fiés. Si un ser­vice d’urgences est encom­bré par l’afflux de patients en attente de prise d’images médi­cales, il peut être inté­res­sant de choi­sir une IA qui per­met de gagner du temps. A l'inverse, une IA qui amé­liore la qua­li­té des images est inté­res­sante dans les centres qui font aus­si de la recherche et où il faut beau­coup de pré­ci­sion et de détails dans les images. 

L’évaluation des solu­tions doit donc se faire en fonc­tion des besoins de toutes les par­ties pre­nantes avec la recherche du meilleur com­pro­mis. Il faut néan­moins gar­der à l’esprit que le patient est le réel béné­fi­ciaire du choix.

Il reste mal­heu­reu­se­ment une com­pli­ca­tion avec l’IA : la dif­fi­cul­té d’accéder aux para­mètres de déci­sions et donc de jus­ti­fier le résul­tat, d’où la néces­si­té d’avoir une seconde vali­da­tion par un méde­cin. Pour les déci­sion­naires aver­tis, l‘article “Ache­ter ou ne pas ache­ter – éva­luer les solu­tions com­mer­ciales d’IA en radio­lo­gie (les lignes direc­trices d’ECLAIR)” per­met d’avoir accès à plus de détails sur le sujet. 

• Indice de Jac­card 

Aus­si appe­lé Coef­fi­cient (ou indice) de Jac­card, il est uti­li­sé pour com­pa­rer la simi­la­ri­té entre deux ensembles : ici, il s’agit d’images. Son écri­ture mathé­ma­tique est la suivante : 

J(A,B) = (A ∩ B) / (A ∪ B) 

L’indice de Jac­card per­met donc d’extraire le rap­port de la taille de l’intersection entre deux ensembles et il est uti­li­sé dans les outils de seg­men­ta­tion pour qua­li­fier chaque seg­men­ta­tion et rete­nir celles avec l’indice le plus élevé.

Le plus gros incon­vé­nient de cet indice est qu’il demande beau­coup de res­sources pour être cal­cu­lé et peut prendre un temps impor­tant pour les gros ensembles comme une image recons­truite en 3D. Ces der­nières sont plus dif­fi­ciles à ana­ly­ser à cause d’une mul­ti­tude d’images super­po­sées. Par exemple, une zone qui sera iden­ti­fiée comme une frac­ture dans un os sera com­pa­rée aux appren­tis­sages du logi­ciel anno­tés comme une frac­ture et l’IA pour­ra déter­mi­ner avec l’indice de Jac­card le taux de la res­sem­blance à une frac­ture [51].

• Indice de Søren­sen-Dice 

Cet indice est un outil mathé­ma­tique qui mesure la simi­la­ri­té de deux échan­tillons, il est égal au double du nombre d'éléments com­muns aux deux ensembles divi­sés par la somme du nombre d'éléments de chaque ensemble. Il est uti­li­sé en com­plé­ment de l’indice de Jac­card et son uti­li­sa­tion en est proche 

• Néces­si­té de sélec­tion­ner une IA aujourd’hui 

Le nombre de logi­ciels employant une IA est gran­dis­sant, les uti­li­sa­teurs et les ache­teurs doivent être capables de les com­pa­rer et de déter­mi­ner laquelle convien­drait le plus à leurs besoins. Dans cette optique, de nom­breuses carac­té­ris­tiques peuvent per­mettre de com­pa­rer les IA. Les cri­tères tech­niques détaillés pré­cé­dem­ment ain­si que d'autres plus pra­tiques sont donc uti­li­sés en pra­tique pour sélec­tion­ner des IA. L’entreprise Incep­to inter­ro­gée a four­ni quelques carac­té­ris­tiques inté­res­santes pour sélec­tion­ner les logi­ciels simi­laires de concep­teurs dif­fé­rents afin de créer leur cata­logue des­ti­né à leurs clients.

• Tableau de carac­té­ri­sa­tion d’une IA

Tableau n°5 : Synthèse des éléments caractéristiques d’une IA en imagerie médicale 

C) Limites techniques

Les logi­ciels d’IA sont consti­tués de réseaux de neu­rones arti­fi­ciels sophis­ti­qués pour la construc­tion de machines intel­li­gentes. Bien qu’il y ait des simi­li­tudes entre le cer­veau et la machine (et ses réseaux), les tis­sus céré­braux humains sont beau­coup plus per­for­mants. L’IA est en effet tou­jours dans l’incapacité de repro­duire toutes les acti­vi­tés du cer­veau humain. Si le cer­veau bio­lo­gique est la struc­ture à tra­vers laquelle l'intelligence est défi­nie, alors l’IA en est encore à ses débuts. De plus, mal­gré son déve­lop­pe­ment rapide, les humains ont jusqu'à pré­sent sur­pas­sé ces appa­reils dans des tâches comme l'apprentissage des langues, la créa­ti­vi­té, l'intuition et l’analyse de situa­tions com­plexes. Cepen­dant, il y a des pro­ces­sus d'apprentissage assez simi­laires entre l’Homme et l’IA, notam­ment dans la com­pré­hen­sion de base des concepts géné­raux tels que l'espace, le temps, le nombre ou la dis­tinc­tion d’éléments de formes et d’apparences différentes.

Mal­gré le nombre impor­tant de logi­ciels d’IA aujourd'hui, il existe de nom­breux obs­tacles et limites  au niveau tech­nique, comme :

• La néces­si­té d’utiliser des sources d'énergies élec­triques et des outils de cli­ma­ti­sa­tion pour refroi­dir les machines uti­li­sant l’IA. La qua­li­té et la fonc­tion­na­li­té de cette der­nière est donc liée à ces deux exigences.
• La dépen­dance des humains et des don­nées sai­sies par ces der­niers. Étant don­né que la pré­ci­sion de la don­née de sor­tie, ou de la déci­sion prise par l’IA dépend des don­nées d’entrée, il y a tou­jours un taux d’erreur. La déci­sion en sor­tie ne peut pas être d’une pré­ci­sion de 100%. Les pro­ces­seurs n'expérimentent pas réel­le­ment les choses, ce qui limite la com­pré­hen­sion réelle. En effet, les IA ont besoin de l’action humaine pour agran­dir les bases de don­nées et favo­ri­ser l’innovation de ces der­nières et sont donc dépen­dantes de l’erreur humaine.
• De nom­breux algo­rithmes d'apprentissage ne sont pas flexibles dans leurs fonc­tions : les appli­ca­tions d'apprentissage auto­ma­tiques sont tou­jours limi­tées à rece­voir des entrées très spé­ci­fiques, et elles doivent atteindre des objec­tifs qui le sont éga­le­ment. Alors que les humains peuvent s'adapter avec sou­plesse aux dif­fé­rences ou inté­grer de nou­velles règles  dans un laps de temps très court, les ordi­na­teurs ont besoin de leurs propres phases de for­ma­tion, ce qui entraîne des dépenses de temps et de res­sources dif­fé­rentes [52].
• Une des limites à noter est éga­le­ment le pour­cen­tage d'erreur fai­sant par­tie des cri­tères d’évaluation. Le pour­cen­tage de faux posi­tifs ou de faux néga­tifs ne pour­ra atteindre 0%. Qu’importe la quan­ti­té de base don­nés d'entraînement, il exis­te­ra tou­jours une part d’incertitude dans le juge­ment de l’IA.
• Chaque jour, les tech­no­lo­gies d'IA sont de plus en plus déve­lop­pées et uti­li­sées pour pré­ve­nir et détec­ter les attaques infor­ma­tiques et prendre des mesures défen­sives pour les empê­cher. Cepen­dant, elles se retrouvent tout de même à être la cible d'attaques infor­ma­tiques diverses et de pira­tage visant la plu­part du temps à récu­pé­rer des don­nées [53].
• La fuite de don­nées peut éga­le­ment être consi­dé­rée comme une limite, et ce, mal­gré la grande capa­ci­té de mémoire de sto­ckage des machines. Si un tel évè­ne­ment se pro­duit, il n’y aura pas de récu­pé­ra­tion pos­sible comme le font les humains s’il n’y a pas d’autres sau­ve­gardes sur un sys­tème de Cloud par exemple. De ce fait, il est pos­sible de perdre toutes les don­nées stockées.
• Enfin, une des limites poten­tielles à consi­dé­rer est la confiance de l’Homme. En effet, la popu­la­tion peut être réti­cente à l’idée de nou­velles méthodes médi­cales basées sur l’IA, pou­vant limi­ter son déve­lop­pe­ment et son extension.

D) Limites éthiques et réglementaires 

Les logi­ciels d’IA servent aujourd’hui d’aide au diag­nos­tic et peuvent repré­sen­ter de réels outils pour les radio­logues. Cepen­dant, en plus des limites tech­niques, les logi­ciels d’IA ont des limi­ta­tions éthiques et réglementaires.

Un des limi­ta­tions à consi­dé­rer est celle de la confiance de la popu­la­tion en l’utilisation de logi­ciels d’IA dans le domaine médi­cal. En effet, en France en 2018, plus de la moi­tié des per­sonnes inter­ro­gées étaient défa­vo­rables à l’utilisation de l’IA dès qu’il s’agit d’être opé­ré, diag­nos­ti­qué ou conseillé pour la prise de médi­ca­ments (voir Figure n°24). Ces réti­cences peuvent être un manque de confiance dans des tech­no­lo­gies nou­velles et peu connues aujourd’hui encore. Ces der­nières sou­lèvent cepen­dant plu­sieurs ques­tions éthiques concer­nant les don­nées des patients par exemple, mais aus­si la res­pon­sa­bi­li­té du radio­logue en cas d’erreur et les limites de l’IA [54].

Figure n°24 : Sondage portant sur l’acceptation de utilisation de l’IA dans le domaine de la santé en France en 2018 (source : ipsos.com) 

Aujourd’hui, l’explosion des don­nées dans le domaine médi­cal avec le Big Data a don­né la pos­si­bi­li­té de déve­lop­per et d’entraîner les logi­ciels d’IA néces­si­tant une très grande base de don­nées. Cette quan­ti­té de don­nées repré­sente désor­mais un enjeu impor­tant dans le déve­lop­pe­ment de l’IA en san­té. En effet, l'anonymisation et la sécu­ri­sa­tion de ces don­nées est essen­tielle et néces­site d’être enca­drée [55].

Les limites rela­tives à l’exploitation des don­nées du patient sont non négli­geables tout comme les aspects éthiques de l'utilisation d’IA dans l’aide au diag­nos­tic. En France, un nou­vel article (L.4001-3) appar­te­nant à la loi n°2021-1017 du 2 août 2021 rela­tive à la bioé­thique a été créé dans le Code de la san­té publique : il traite de l’usage de l’IA en met­tant en avant la « garan­tie humaine ». Cet article impose l’information du patient par le pro­fes­sion­nel de san­té de l’utilisation de l’IA, son poten­tiel accès aux don­nées du patient et les résul­tats four­nis, et cela en amont comme en aval de l’utilisation de l’IA. Les infor­ma­tions pri­vées des patients doivent bien enten­du être res­pec­tées et pro­té­gées (Article L1110-4 du Code de la san­té publique). De plus, ce nou­vel article implique éga­le­ment la trans­pa­rence et la tra­ça­bi­li­té du concepteur.

Les règles et sanc­tions sont adap­tées en fonc­tion du niveau de risques asso­ciés aux sys­tèmes d’IA. Il y a plu­sieurs risques d’IA à dis­tin­guer : minimes (I), limi­tés (II), à hauts risques (III) et inac­cep­tables (IV). Les logi­ciels jugés inac­cep­tables sont ceux mena­çant la sécu­ri­té et les droits des usa­gers, et por­tant atteinte aux règles éthiques défi­nies par le Par­le­ment euro­péen. Les IA jugées à hauts risques doivent garan­tir la véri­fi­ca­tion et la tra­ça­bi­li­té des résul­tats, adop­ter des garan­ties contre les biais des don­nées, et impliquent une sur­veillance humaine [56]. Enfin les IA à risques limi­tés et minimes impliquent tout de même la trans­pa­rence et l’information des utilisateurs.

Le Règle­ment 2017/745 exige, de la part des four­nis­seurs, la mise à jour des don­nées cli­niques ain­si que la réa­li­sa­tion d’audits tous les cinq ans sur les pro­cé­dures de fabri­ca­tion et la confor­mi­té des pro­duits. Le fabri­cant, char­gé d’assurer le mar­quage CE, doit, entre autres, mettre à jour régu­liè­re­ment la docu­men­ta­tion tech­nique et l’évaluation cli­nique. Enfin, les per­sonnes fai­sant usage de l’IA doivent assu­rer la tra­ça­bi­li­té et la sécu­ri­té des don­nées (dos­sier patient) pen­dant dix ans, le sui­vi des main­te­nances et la sécu­ri­té d’utilisation. Le per­son­nel de san­té ame­né à uti­li­ser des logi­ciels d’IA doit être for­mé sur ces der­niers et sen­si­bi­li­sé à la cybersécurité.

Dans le pre­mier rap­port mon­dial de l’Organisation Mon­diale de la San­té (OMS) sur l’IA appli­quée à la san­té [57], il est sou­li­gné que les logi­ciels d’IA doivent être conçus de manière à consi­dé­rer la diver­si­té des contextes socio-éco­no­miques de soins en san­té. En effet, un biais impor­tant à consi­dé­rer serait que les IA seraient entraî­nées prin­ci­pa­le­ment sur des don­nées recueillies chez des patients vivant dans des pays à reve­nu éle­vé et déve­lop­pés. Cela pour­rait biai­ser les résul­tats des algo­rithmes lors d’utilisation sur d’autres popu­la­tions. C’est pour­quoi une base de don­nées d'entraînement grande et hété­ro­gène est nécessaire.

L’OMS donne 6 prin­cipes sur les­quels l’IA doit s’appuyer en santé :

• Pro­tec­tion de l’autonomie de l’être humain : la maî­trise des sys­tèmes de soins et des déci­sions médi­cales revient aux acteurs de san­té. Les patients doivent don­ner un consen­te­ment éclai­ré, et leurs don­nées doivent être protégées ;
• Bien-être, sécu­ri­té et inté­rêt public : la concep­tion des logi­ciels d’IA doit res­pec­ter la régle­men­ta­tion de la sécu­ri­té, la pré­ci­sion et l’efficacité pour chaque appli­ca­tion. Le contrôle et l’amélioration de la qua­li­té sont pri­mor­diaux dans l’utilisation de l’IA ;
• Trans­pa­rence, clar­té et intel­li­gi­bi­li­té : les infor­ma­tions rela­tives à la concep­tion et l'utilisation de l’IA doivent être publiées, docu­men­tées et faci­le­ment accessibles ;
• Res­pon­sa­bi­li­té : le per­son­nel ame­né à uti­li­ser les IA doit être dûment for­mé et doit avoir la pos­si­bi­li­té de contes­ter les déci­sions prises par l’IA et d'obtenir répa­ra­tion suite à un dom­mage encou­ru par des déci­sion fon­dées sur des algorithmes ;
• Inclu­sion et équi­té : l’IA en san­té doit inclure et prendre en compte tout indi­vi­du indé­pen­dam­ment de son sexe, de son âge, de ses reve­nus, de son ethnie, …
• Réac­ti­vi­té et dura­bi­li­té : les logi­ciels d’IA doivent être conçus en pre­nant en compte les impacts envi­ron­ne­men­taux, socié­taux et être régu­liè­re­ment éva­lués afin de s’assurer qu’ils répondent aux besoins de manière appro­priée [58].

Les DM incluant des algo­rithmes d’IA seront peut-être ame­nés à révo­lu­tion­ner l’imagerie médi­cale, mais pour cela les pra­ti­ciens hos­pi­ta­liers et notam­ment les radio­logues doivent être capables de maî­tri­ser ces outils, les com­prendre et sur­tout por­ter un regard cri­tique à leur égard. En effet, le méde­cin sera ain­si capable de rem­plir ses obli­ga­tions déon­to­lo­giques, expli­quant au patient le diag­nos­tic et la stra­té­gie thé­ra­peu­tique choisie.

Conclusion

L’IA en IM est un outil pro­met­teur per­met­tant de faire gagner du temps aux radio­logues qui ont un nombre impor­tant de séquences d’images qui ne cessent d’augmenter. Elle per­met­trait de faci­li­ter leur tra­vail en amé­lio­rant la qua­li­té des images dans un pre­mier temps. Les dif­fé­rents logi­ciels d’IA pour­raient ensuite repré­sen­ter un réel outil d’aide au diag­nos­tic pour le radio­logue, lui per­met­tant de prio­ri­ser les exa­mens par exemple en fonc­tion des risques de ces der­niers, détec­ter des patho­lo­gies et même four­nir des scores de pré­dic­tion per­met­tant d’aiguiller l’analyse des méde­cins. L’IA va donc cer­tai­ne­ment avoir un rôle pri­mor­dial à jouer dans l’IM des années à venir. Quant au Big Data, il devient une par­tie inté­grante de la san­té. Son exploi­ta­tion est un enjeu majeur pour per­fec­tion­ner les outils d’imagerie. Le patient étant l’acteur au cœur du sys­tème de san­té, il est néces­saire de pen­ser et faire évo­luer les IA de demain dans son inté­rêt et dans le res­pect de ses données.

Cepen­dant, l’IA n’est pas par­faite et peut engen­drer des erreurs médi­cales remet­tant en cause sa légi­ti­mi­té, elle n’est pas encore en capa­ci­té de four­nir un diag­nos­tic com­plet avec des jus­ti­fi­ca­tions. D’autres fac­teurs éco­no­miques et stra­té­giques sont éga­le­ment à prendre en compte et pour­raient rebu­ter cer­tains radio­logues. Il est donc pri­mor­dial d’analyser avec atten­tion toutes les carac­té­ris­tiques tech­niques de l’IA, et sur­tout le besoin des ser­vices afin de pou­voir répondre au mieux aux attentes des radiologues.

Des inter­views avec divers acteurs tels que les fabri­cants de logi­ciels d’IA, mais éga­le­ment avec des radio­logues direc­te­ment concer­nés par ce sujet ont per­mis d’enrichir ce dossier.

Eva­luer les solu­tions d’IA est une étape impor­tante dans la déci­sion d’un logi­ciel. En plus des affi­ni­tés avec cer­tains four­nis­seurs pri­vi­lé­giés, il est tout de même bon d’essayer d’évaluer objec­ti­ve­ment les solu­tions pro­po­sées. Le patient étant le pre­mier béné­fi­ciaire, il faut gar­der à l’esprit que ce choix l’impactera et qu’il est réflé­chi pour son bien. Les cri­tères d’évaluations pro­po­sés ici peuvent per­mettre de dif­fé­ren­cier deux solu­tions ayant la même application.

Il fau­dra gar­der à l’esprit que l’IA n’est pas encore au stade de rem­pla­cer le radio­logue, mais bien de lui venir en aide. Le futur du métier de radio­logue pour­rait pas­ser par une coopé­ra­tion humaine et arti­fi­cielle afin de favo­ri­ser le meilleur diag­nos­tic et trai­te­ment pour le patient.

Annexes

• Des­crip­tion des inter­views et des per­sonnes inter­ro­gées 

Spécialiste de modalité en IRM, Philips  

Ce spé­cia­liste de moda­li­té en IRM a appor­té des élé­ments au sujet des types d’IA en fonc­tion des appli­ca­tions de ces der­nières qui portent prin­ci­pa­le­ment sur l’amélioration de l’image en rédui­sant le bruit sans dégra­der l’image et sur l’aide au diag­nos­tic lors du post-traitement. 

« En quoi consiste votre acti­vi­té professionnelle ? 

Je suis Moda­li­ty Spe­cia­list IRM chez Phi­lips : j’interviens en avant-vente du com­mer­cial avec la pré­sen­ta­tion des pro­duits, et aus­si en après-vente mais je n’ai pas de for­ma­tion à faire aux uti­li­sa­teurs contrai­re­ment aux ingé­nieurs d’application.  

Com­ment défi­nis­sez-vous l’Intelligence Artificielle ? 

C’est un défi dif­fi­cile que vous me posez-là. Cela peut concer­ner l’aide au diag­nos­tic avec le post-trai­te­ment : on uti­lise ici du Deep Lear­ning, il est par exemple pos­sible de trou­ver des lésions du patient. Il y a éga­le­ment de l’IA lors de l’acquisition : on a ici un algo­rithme entrai­né pour recon­naître une constante comme le bruit, ce qui aide à l’avancée dans les limites de l’IRM. 

Dans quel cas (ex : can­cé­ro­lo­gie, car­dio­lo­gie…) uti­lise-t-on l'IA et sur quelles moda­li­tés (ex : IRM, scan­ner, mam­mo­graphe...) ? 

Tout le monde peut l’utiliser ! Pour le moment, on l’utilise sur­tout en radio­lo­gie stan­dard : cela per­met de recon­naître des foyers dans les pou­mons, des frac­tures, des can­cers du sein, etc. En ima­ge­rie céré­brale, cela est uti­li­sé en onco­lo­gie. Pour ce type d’application, les start-ups le font très bien. Pour les scan­ners et les IRM, cela est plus dif­fi­cile car il y a dif­fé­rents contrastes. Dans tous les cas, il faut bien faire atten­tion car le but n’est pas que l’IA rem­place le radio­logue, mais qu’elle fasse un pré-tra­vail. Il s’agit donc d’une aide au diag­nos­tic.  

Com­ment l’IA est-elle ins­tal­lée sur vos machines ? Existe-t-il une quel­conque main­te­nance pré­vue pour elle ? 

Il s’agit d’un soft­ware, donc il y a un algo­rithme qui est inté­gré à l’intérieur de la chaîne d’acquisition de l’IRM. Côté hard­ware, on a besoin d’un GPU. Pour les main­te­nances, il y a juste des mises à jour à faire.  

Quel est le prix d’une IA dans votre modalité ? 

On a une four­chette qui varie gran­de­ment : les nou­velles tech­niques de recons­truc­tion de Phi­lips peuvent aller de 50 000 € à 100 000 €. 

Quel(s) type(s) d'IA uti­li­sez-vous dans votre modalité ? 

On uti­lise le Deep Lear­ning : on a des nœuds que l’on nour­rit avec des don­nées. Cela peut per­mettre de faire de la recons­truc­tion : à par­tir d’une image brui­tée, l’IA va venir la débrui­ter en recon­nais­sant le bruit. On va pour cela tra­vailler dans le domaine fré­quen­tiel car c’est plus facile avec les trans­for­mées de Fou­rier. Il est aus­si pos­sible d’utiliser du Machine Lear­ning dans le cas où d’un sys­tème de posi­tion­ne­ment auto­ma­tique des coupes : on apprend à la machine com­ment se posi­tion­ner en s’appuyant sur trois points ana­to­miques par exemple. Dans ce cas, les uti­li­sa­teurs peuvent aus­si apprendre au sys­tème à posi­tion­ner les coupes.  

Sur quelle éva­lua­tion / quels cri­tères l'IA s'appuie-t-elle pour déli­vrer son diagnostic ? 

Dans les espaces k, on s’appuie sur ce qui est du bruit et ce qui ne l’est pas. Cepen­dant, l’IA ne délivre pas de diag­nos­tic à pro­pre­ment par­ler. 

De quelle manière est accueillie l’IA chez vos clients ? Les patients savent-ils qu’une IA pour­rait inter­ve­nir dans leur diagnostic ? 

On uti­lise de l’IA à Lyon au stade pré-cli­nique : les patients sont au cou­rant et ils signent un consen­te­ment éclai­ré pour uti­li­ser leurs don­nées après. Mais dans une rou­tine cli­nique, je n’ai pas encore eu de retour de nos clients et de leurs patients.  

En cas d’erreur médi­cale, savez-vous qui est res­pon­sable : le méde­cin ou l’IA (le four­nis­seur) ? Quels sont les risques encourus ? 

En cli­nique, du moment que l’utilisateur est for­mé et qu’il y a la pré­sence d’un mar­quage CE, alors cela ne peut être que la faute de l’utilisateur. Mais le four­nis­seur peut être pour­sui­vi s’il y a eu une mau­vaise for­ma­tion des uti­li­sa­teurs. Dans tous les cas, l’IA n’est qu’une aide diag­nos­tic : le radio­logue est bien conscient qu’il ne s’agit que d’une aide. 

D’où viennent les don­nées uti­li­sées pour entraî­ner vos IA et com­bien en faut-il pour avoir une IA performante ? 

Les don­nées peuvent venir de par­tout : je pense qu’elles sont ache­tables, sinon il est pos­sible de les échan­ger dans le cadre d’un par­te­na­riat. Concer­nant le nombre de don­nées pour avoir une IA suf­fi­sam­ment entraî­née, je sais qu’il faut envi­ron 150 000 exa­mens chez GE, mais cela dépend de ce sur quoi on entraîne l’IA. En géné­ral, il en faut au moins 100 000.  

Qu’est-ce qui vous per­met d’évaluer la per­for­mance des IA (cri­tères) ? 

C’est assez dif­fi­cile de les com­pa­rer. Il faut déjà se rendre compte qu’il y a dif­fé­rentes classes : l’aide diag­nos­tic et la recons­truc­tion d’image (Spee­dExam ou Smar­tExam). Après en soi, cela reste sub­jec­tif à l’appréciation de l’utilisateur. On va sou­vent faire la com­pa­rai­son entre dif­fé­rentes IA en confron­tant une image sans IA et une trai­tée avec de l’IA. En IRM, il faut aus­si faire des com­pro­mis entre les temps d’acquisition, le rap­port signal sur bruit et le contraste. L’IA per­met donc de com­bler ces lacunes.  Le radio­logue va donc voir quels apports peuvent être mis en place dans son quo­ti­dien. En IRM, il existe plu­sieurs IA avec Air Recon DL chez GE, Deep Research chez Sie­mens et AICE chez Canon. De notre côté, Phi­lips est le seul de l’industrie à être capable de recons­truire en 2D et en 3D (volume pos­sible).  

Les radio­logues font-ils une dif­fé­rence entre les dif­fé­rentes IA ? Com­ment se fait leur choix ? 

Les radio­logues ont des connais­sances cli­niques très pous­sées, mais pas tech­niques. Donc ils ne font pas de réelle dif­fé­rence. En soi, ils sont déjà séduits par le four­nis­seur des DM déjà ins­tal­lés. Géné­ra­le­ment, ils ne savent pas trop ce qu’ils attendent, donc cela fait par­tie du tra­vail de Phi­lips de faire de l’éducation. Les gens ont très peu de connais­sances, mais ils peuvent éga­le­ment avoir peur et être réfrac­taires. Il faut donc que l’on par­vienne à convaincre le radio­logue, les mani­pu­la­teurs qui ont besoin de gagner du temps et toutes les per­sonnes dans le che­min de la prise en charge du patient. » 

Ingénieur Junior en IA, GE 

Cet ingé­nieur junior en IA a dres­sé lors de l’interview un pay­sage de l’IA dans l’IM et a déli­vré des infor­ma­tions per­ti­nentes dans le post trai­te­ment et les indi­ca­teurs de per­for­mance d’une IA. Il a éga­le­ment four­ni des docu­ments qui traitent de l’IA et la manière dont GE l’applique à ses moda­li­tés d’imagerie. 

« En quoi consiste votre acti­vi­té professionnelle ? 

Je suis Ingé­nieur Junior en IA chez GE. Au site de BUC, nous avons trois acti­vi­tés prin­ci­pales :  

• Sys­tèmes RX inter­ven­tion­nel (j’appartiens à cette branche) : cela concerne les images en temps réel pen­dant des actes inva­sifs ; 
• Mam­mo­gra­phies : cela per­met de faire de recher­cher des can­cers du sein ;  
• Advance Works­ta­tion (AW) : cela per­met aux radio­logues de revoir les images. 

Que pro­po­sez-vous chez GE en termes d’IA ? 

Côté logi­ciel un signal arrive sur les machines, et der­rière il y a une pro­duc­tion des images. Le trai­te­ment est réa­li­sé entre ce qui est acquis et l’image visible par le radio­logue. Cela per­met à ce der­nier de mieux faire son choix en ciblant les zones impor­tantes : on leur montre les images les plus belles pos­sibles, en plus d’extraire les informa­tions d’où sont les organes, leur taille, les lésions pré­sentes, etc. Toutes les moda­li­tés finissent sur l’AW où sont déve­loppés des logi­ciels pour trai­ter et extraire des infor­ma­tions. De ce fait, l’IA per­met de mieux ce qu’on faisait avant avec des algorithmes. Chez GE, on fait du pro­ces­sing d’image pour amé­lio­rer sa qua­li­té. On va donc recon­naître du bruit, des arté­facts et les images sous-échan­tillon­nées, puis on les enlève ce qui per­met d’améliorer le rap­port S/R et de rendre l’image moins floue. Dans ce domaine, c’est encore un peu nou­veau d’utiliser de l’IA. En effet, l’extraction d’informations via de l’IA existe depuis bien plus long­temps. Au scan­ner, on retrouve l’IA True Fide­li­ty, et on a Air Recon DL en IRM.  

Au début du Deep Lear­ning, on clas­si­fie l’image : un chat est un chat (on attri­bue ain­si un label à une image). Puis, on a la détec­tion d’une posi­tion d’intérêt : cela est plus inté­res­sant car on peut deman­der à un réseau de neu­rones de détec­ter une tumeur par exemple. 

Il est pos­sible de faire ce qu’on appelle de la seg­men­ta­tion : on dit que tel pixel dans une image appar­tient à un rein, un foie, etc. Grâce à cela, la seg­men­ta­tion d’organes est pos­sible dans une image. On peut avoir dif­fé­rentes classes, et ce domaine est un gros pôle de déve­lop­pe­ment de notre entre­prise.  

On a éga­le­ment le reca­lage entre les images : un patient a fait une IRM et un scan­ner, et grâce à cette tech­nique, il est pos­sible de dire quel pixel de l’IRM cor­res­pond au pixel du scan­ner.  

Une autre IA est Bone­Vi­CAR qui per­met de détec­ter les posi­tions des ver­tèbres et de les label­li­ser auto­ma­ti­que­ment. Cela per­met d’offrir un gain de temps au radio­logue qui peut se situer plus faci­le­ment, et donc on a une accé­lé­ra­tion du diag­nos­tic. 

Côté Scan­ner, on a une IA de seg­men­ta­tion appe­lée Hepa­tic VCAR. Elle per­met d’évaluer l’état hépa­tique du foie via l’analyse des voxels et donc du volume total du foie (il s’agit d’une étape vitale dans le diag­nos­tic du patient). Cette année ; la nou­veau­té est que l’on peut désor­mais le faire dans les volumes pro­duits par les machines inter­ven­tion­nelles. On insère dans le patient des outils (tube, cathé­ter, fil) au niveau fémo­ral (cuisse) et on remonte jusqu’au foie. Puis, on peut injec­ter des pro­duits qui ont pour voca­tion de tuer les tumeurs (chi­mioem­bo­li­sa­tion, radioem­bo­li­sa­tion). Pour voir où on est et savoir si on est au bon endroit, on envoie des RX et on récu­père via un détec­teur situé de l’autre côté. Le méde­cin peut ain­si voir des images en temps réel. On peut tour­ner le tube autour du patient afin d’avoir un modèle 3D du patient. Main­te­nant, on pro­pose de seg­men­ter le foie pour que le méde­cin puisse auto­ma­ti­que­ment voir le volume de son foie et com­prendre le rap­port entre les artères qu’il voit et le foie. L’IA Live­rAs­sist Vir­tual Paren­chy­ma per­met une extrac­tion d’informations impor­tantes. Si on avait vou­lu faire ça avec des algo­rithmes tra­di­tion­nels, cela n’aurait vrai­ment pas été facile de cal­cu­ler le volume du foie car l’intensité des pixels du foie est dif­fi­cile à visua­li­ser. Il y a une quin­zaine d’années, les résul­tats étaient mau­vais. Mais main­te­nant, avec la sou­mis­sion régle­men­taire, les méde­cins sont impres­sion­nés par la qua­li­té des algo­rithmes. 

Est-il pos­sible d’utiliser une IA de GE sur des don­nées cap­tu­rées par des appa­reils de vos concurrents ? 

Dans notre entre­prise, l’entraînement sur des don­nées de GE s’appelle Véri­té Ter­ra. Sur des don­nées concur­rentes (extrac­tion du foie par exemple), je ne suis pas sûr que cela fonc­tionne sur d’autres images. Notre inté­rêt est qu’il faut que cela marche sur les images de tous les clients, donc ce n’est pas for­cé­ment lié à la tech­no­lo­gie des concur­rents. Par exemple, la console de revue fonc­tionne avec tous les construc­teurs. Mais pour Liver Assist, je ne sais pas si cela marche sur les images de nos concur­rents.  

Com­ment éva­luez-vous les per­for­mances d’une IA ? 

Alors pour la qua­li­té de l’image, cela est dif­fi­cile à mesu­rer avec un chiffre. Pour la seg­men­ta­tion, il y a les véri­tés Ter­ra : on l’a déjà fait à la main par des méde­cins, donc on sait si ce résul­tat est vrai. On fait une com­pa­rai­son avec des score comme l’indice de dice qui est un indice d’intersection entre les deux (com­pris entre 0 et 1), symé­trique, qui n’a pas de limite de taille et qui péna­lise les faux posi­tifs et néga­tifs. Si l’indice de dice est supé­rieur à une cer­taine valeur, on peut savoir si l’image est bien, donc on peut se dire que c’est ok pour un cas. Ensuite, on va le faire sur plu­sieurs cas et on aura une sta­tis­tique. On a donc besoin d’une grande base de test. Il est éga­le­ment pos­sible de mesu­rer d’autres métriques. Enfin, on demande au méde­cin si c’est satis­fai­sant : sur une base de don­nées jamais vue, on peut dire si les résul­tats sont bons, et après les méde­cins les ana­lysent. Puis la com­mis­sion valide et dit si l’IA est conforme ou non. Dans les cas de détec­tion, on va regar­der le taux de ver­tèbres qui ont une mau­vaise clas­si­fi­ca­tion par exemple. Il faut mon­trer que sur un grand nombre de cas, on a un taux d’erreur accep­table. Pour le pre­ci­sion and recall (c’est-à-dire la sen­si­bi­li­té et les sta­tis­tiques), on fait de la détec­tion et de la seg­men­ta­tion, mais cela ne pré­cise pas les faux posi­tifs et néga­tifs. On a aus­si l’indice de Jac­quard pour la seg­men­ta­tion. On peut éga­le­ment uti­li­ser la dis­tance comme cri­tère : on regarde la dis­tance maxi­male entre deux organes. En soi, le plus impor­tant est de prendre la métrique la plus per­ti­nente. » 

CEO Directeur Général, Milvue 

Le Direc­teur Géné­ral a expli­qué l’activité de sa start-up qui pro­pose des solu­tions employant l’IA en radio­lo­gie conven­tion­nelle pour la détec­tion de frac­ture et d’autres patho­lo­gies osseuses. Ses logi­ciels sont des IA pro­po­sant une aide au diag­nos­tic assis­tant le radio­logue dans son acti­vi­té. L’importance de l’annotation des images per­met­tant d’entraîner l’IA a été évo­quée et semble majeure dans l’efficacité d’un logi­ciel, l'expérience des radio­logues qui mettent ces anno­ta­tions est aus­si importante. 

« Dans quel cas uti­li­sez-vous l’IA ?  

Les IA peuvent être com­plè­te­ment dif­fé­rentes les unes des autres. Par exemple, chez The­ra­pixel, les scopes cou­verts sont com­plè­te­ment dif­fé­rents des nôtres. Il faut donc d’abord réus­sir à seg­men­ter le mar­ché. Elles peuvent être appli­quées au scan­ner et en mam­mo­gra­phie par exemple. En ima­ge­rie inter­ven­tion­nelle, il y a trois acteurs : Glim­mer, Zed­med et Mil­vue.  

Quels sont les cri­tères sur les­quels vous vous appuyez pour éva­luer une IA ? 

Il y avait une éva­lua­tion com­pa­ra­tive mais les gens ne sont pas allés jusqu’au bout en publiant les résul­tats, donc cela est dif­fi­cile à éva­luer. Il faut alors mettre en œuvre un pro­to­cole d’évaluation fiable en attei­gnant un taux pré­dic­tif de 99% car on a ain­si peu de taux de faux-posi­tifs. Pour cela, il faut un grand stock d’images. Donc la pre­mière dif­fi­cul­té est d’avoir beau­coup de don­nées et de pou­voir les ana­ly­ser avec les mala­dies. La deuxième dif­fi­cul­té concerne le scope. Zed­med n’a pas encore de mar­quage CE, alors que Glim­mer et Mil­vue sont déjà bien com­mer­cia­li­sés. Enfin, la qua­li­té et le prix sont des cri­tères à ne pas négli­ger. 

Com­ment cela se passe entre l’IA et le sys­tème de PACS ? 

Il n’y a pas de sou­ci pour s’interconnecter avec un sys­tème de PACS grâce au DICOM. Le pro­blème réside dans l’interconnexion car entre le moment où les images partent et reviennent dans le PACS, il s’écoule une minute. Avec le PACS, il y a une cer­taine rapi­di­té car on y remet juste les images. Il faut pous­ser des tags DICOM dans le sys­tème de PACS. Cela peut être aus­si intel­li­gent de mettre des alertes. L’IA doit recon­naître elle-même les images qu’elle voit, ana­ly­ser les images et faire un compte-ren­du auto­ma­tique qui peut être pous­sé vers le PACS : c’est ce qu’on appelle le work­flow. » 

Spécialiste de modalité en Scanner, Philips 

Ce spé­cia­liste de moda­li­té en Scan­ner a cla­ri­fié les dif­fé­rentes étapes dans les­quelles l’IA peut inter­ve­nir : acqui­si­tion, recons­truc­tion de l’image et post-trai­te­ment en insis­tant sur l’importance du Deep Learning. 

« Dans quels cas uti­li­sez-vous l’IA au scanner ? 

Alors tout d’abord l’IA au scan­ner existe depuis plus long­temps que celle de l’IRM. Elle peut être uti­li­sée à plu­sieurs endroits (abdo­men, pel­vis, poi­trine…) et cas comme avec Pre­cise Posi­tion qui per­met de posi­tion­ner le patient ins­tal­lé sur stable, et ce, de manière auto­ma­tique via une camé­ra qui ana­lyse dif­fé­rents points ana­to­miques. Il s’agit du Deep Lear­ning qui peut nous per­mettre de recons­truire une image en atté­nuant l’écart-type, le bruit intrin­sèque. Cela nous per­met aus­si d’améliorer le SNR (Signal-to-Noise Ratio), la texte et le contraste de l’image ain­si que la réso­lu­tion spa­tiale. On peut aus­si voir jusqu’à quelle dosi­mé­trie on peut des­cendre.  

Quelles sont les grandes fina­li­tés de l’IA ?  

Il y a tout d’abord l’IA de la réa­li­sa­tion de l’image avec l’exemple du posi­tion­ne­ment auto­ma­tique du patient sur table via une camé­ra : c’est un outil d’acquisition et cela est propre à chaque spé­cia­liste. On uti­lise dans ce cas le Machine Lear­ning avec des réseaux de neu­rones entraî­nés. Il y a ensuite celle d’acquisition ou de recons­truc­tion de l’image : on uti­lise ici le Deep Lear­ning avec des réseaux de neu­rones convo­lu­tifs. Enfin, il y a l’analyse de l’image qui est uti­li­sée pour avoir une aide au diag­nos­tic.  

Quels sont les cri­tères sur les­quels vous vous appuyez pour éva­luer une IA ? 

Il y a une étude écrite par le Doc­teur Joël Gref­fier du CHU de Nîmes qui porte sur une com­pa­rai­son entre les IA de Canon et GE, mais pas sur celles de Phi­lips. Cette thèse donne plu­sieurs cri­tères qui peuvent être inté­res­sants à lire pour vous. Après, l’avis reste sub­jec­tif et varie d’une per­sonne à l’autre. » 

Manager Produit, Avicenna 

Ce mana­ger pro­duit a pré­sen­té les logi­ciels d’IA de son entre­prise avant d’introduire les cri­tères d’évaluation sur les­quels les radio­logues peuvent s’appuyer afin de choi­sir une IA qui leur convien­drait. Elle a éga­le­ment don­né des infor­ma­tions concer­nant la régle­men­ta­tion dans ce domaine et les limites tech­niques de l’IA comme le besoin essen­tiel d’une base de don­nées diver­si­fiée pour que les résul­tats obte­nus soient justes. 

« Com­ment fonc­tionne votre IA et sur quoi s’appuie-t-elle ?  

Nous avons quatre algo­rithmes que l’on uti­lise aux urgences. L’un d’entre eux per­met de faire de la détec­tion intra­crâ­nienne au scan­ner et les noti­fi­ca­tions sont envoyées au méde­cin par exemple. Nous sommes par­te­naires avec des hôpi­taux qui ont déjà des pla­te­formes de PACS, des construc­teurs ou encore des per­sonnes qui font des pla­te­formes de mar­ket­places. Nous n’allons donc pas noti­fier de la même façon les dif­fé­rents acteurs : cela peut se faire par mes­sage, via une appli­ca­tion mobile, etc.  

Quels sont les cri­tères d’évaluation / les points essen­tiels dans le choix d’une IA ? 

Vu que ce sont des DM, en fonc­tion de l’organisme, on homo­logue dif­fé­rem­ment. En Europe, on se fie au nou­veau règle­ment du MDR (Règle­ment rela­tif aux Dis­po­si­tifs Médi­caux), alors qu’aux Etats-Unis, cela est régi par le FDA (Food and Drug Admi­nis­tra­tion). Tou­jours aux Etats-Unis, il y a un pro­to­cole à suivre : on doit défi­nir à qui on s’adresse en fai­sant une liste des patients qui ont la patho­lo­gie et d’autres non. Puis, trois méde­cins sont pré­sents pour éta­blir la véri­té géné­rale (« truth gene­ral ») avec deux d’entre eux qui donnent leur consen­sus et le der­nier qui donne ensuite le ver­dict. On a alors affaire à plu­sieurs cas : les vrais posi­tifs et vrais néga­tifs, et les faux posi­tifs et faux néga­tifs. A par­tir de là, ils éva­luent les per­for­mances, la sen­si­bi­li­té et la spé­ci­fi­ci­té, etc. Avec l’IA, on doit par­fois faire des com­pro­mis donc il faut bien choi­sir les para­mètres à éva­luer. On a ensuite ce qu’on appelle les « mul­ti-rea­ders » qui sont des experts qui vont faire la véri­té (« grand truth ») : une dizaine de méde­cins vont eux aus­si pro­cé­der à la lec­ture du scan­ner et on va com­pa­rer avec le logi­ciel. Cette lec­ture a pour but d’améliorer l’IA. Concer­nant les cri­tères d’évaluation, on peut s’appuyer sur la taille des don­nées d’affichage, la varia­tion des pro­to­coles… Il faut aus­si bien faire dans la géné­ra­li­té : cela est impor­tant car il faut faire des exa­mens sur tout. Ain­si, les don­nées d’apprentissage sont repré­sen­ta­tives de la réa­li­té. Sans cela, cela risque de ne pas mar­cher car les per­for­mances seront moins bonnes. Il faut que dans la base de don­nées, on ait dif­fé­rents sexes, tailles, etc. Aux Etats-Unis, la FDA demande cette géné­ra­li­té qui englobe aus­si l’ethnicité pour faire le dos­sier et homo­lo­guer l’IA. Cepen­dant, le cri­tère d’ethnicité est inter­dit en Europe. On a aus­si l’ordre de prix qui peut être un cri­tère : il est variable et dépend si l’IA est rat­ta­chée à la moda­li­té. Enfin, la taille de la base de don­nées est à prendre en compte : elle dépend du pro­blème de départ (seg­men­ta­tion, recon­nais­sance, …). On a besoin de plus d’images pour la seg­men­ta­tion. En IRM, s’il y a pas mal de séquences dif­fé­rentes, on a besoin de plus d’images d’entrée. 

Où trou­vez-vous des don­nées pour entraî­ner vos IA ? 

Cela peut être obte­nu grâce à des par­te­na­riats avec des hôpi­taux ou des centres de radiologie. 

Quelle est la classe d’une IA ? 

En Europe, ce sont des DM de classe I, alors qu’aux Etats-Unis, ils appar­tiennent à la classe II. Cepen­dant, les pro­chaines IA seront des DM de classe II. Il y a le site https://grand-challenge.org qui recense les classes, les don­nées et les per­for­mances des DM si vous sou­hai­tez le consul­ter. 

Quelles sont les limites de l’IA selon vous ? 

Je dirai la géné­ra­li­sa­tion des don­nées : il faut être sûr que cela marche en hôpi­tal et que l’IA va per­mettre de répondre à une ques­tion. Par exemple sur un scan­ner du tho­rax, l’IA va pou­voir voir s’il y a un pro­blème d’embolie pul­mo­naire, alors que méde­cin va véri­fier pleins de choses. Peut-être que l’IA pour­ra faire davan­tage à l’avenir. Mais pour le moment, cela ne fait que 10% de cli­nique. » 

Spécialiste d’application clinique, Incepto 

Ce spé­cia­liste d'application a pré­sen­té le concept de son entre­prise Incep­to et quelles sont les IA phares de leur cata­logue. Il a éga­le­ment insis­té sur les cri­tères d’évaluation d’une IA, son accep­ta­tion chez ses clients et le nombre d’images pro­duites en moyenne par un éta­blis­se­ment. Cepen­dant, il n’a pas pu nous four­nir de chiffre concer­nant le nombre d’établissements dans les­quels leurs logi­ciels d’IA sont uti­li­sés, mais il a affir­mé qu’ils étaient davan­tage uti­li­sés en radio­gra­phie et en mammographie. 

« Pou­vez-vous nous pré­sen­ter votre entreprise ? 

Incep­to est une start-up qui a été fon­dée en 2018 par trois per­sonnes qui viennent du milieu (deux anciens employés de GE et un méde­cin radio­logue au Havre). Tout a com­men­cé lorsque nous avons consta­té qu’il y avait de plus en plus d'images à lire pour les radio­logues, et à un moment on reste des humains et on n’a plus le temps. Donc soit le radio­logue les lit toutes et il ne met pas autant de concen­tra­tion qu’il y a 10 ans, soit il les lit toutes et il passe moins de temps avec le patient. La solu­tion qui s’est alors pré­sen­tée est l’IA : elle se retrouve déjà par­tout, que ce soit dans les voi­tures, l’électroménager, etc. Le concept d’Incepto est de pro­po­ser un cata­logue de plu­sieurs IA dans plu­sieurs moda­li­tés en les ras­sem­blant sur une seule pla­te­forme. Nos acti­vi­tés suivent 2 axes :  

• Co-créa­tion : avec des par­te­naires qui sont mis dans notre cata­logue. On a une équipe de data scien­tists qui va tra­vailler sur un algo­rithme avec une équipe médi­cale. On a déjà sur le mar­ché plu­sieurs IA dans ce genre comme Keros pour détec­ter des lésions du genou en IRM (tra­vail avec un radio­logue suisse pri­vé). On a aus­si tra­vaillé avec l’hôpital Marie Lan­ne­longue sur la détec­tion et la mesure de l’anévrisme. 
• Folio : on pro­pose un réseau de dis­tri­bu­tion avec d’autres par­te­naires.  

On a donc déjà une dizaine d’algorithme dans notre cata­logue et on conti­nue de faire une veille tech­no­lo­gique afin d’avoir une esti­ma­tion des meilleurs algo­rithmes. L’intérêt pour un éta­blis­se­ment de pas­ser par Incep­to est que l’on ras­semble tout en une pla­te­forme. Il y a donc un seul inter­lo­cu­teur pour l’établissement, cela lui évite de recher­cher lui-même pour chaque IA et de par­ler avec plu­sieurs inter­lo­cu­teurs. En plus de cela, on pro­pose une veille tech­no­lo­gique, donc nous avons les meilleurs algo­rithmes à leur pro­po­ser. Enfin, on offre une garan­tie de sécu­ri­té car tout se fait sur le cloud, il n’y a pas d’installation phy­sique. On ins­talle seule­ment une gate­way (pla­te­forme) qui va se ser­vir sur le PACS du client. Les résul­tats de l’IA reviennent dans le PACS sous la forme d’une image sup­plé­men­taire, il n’y a donc pas de nou­velle inter­face, c’est donc un tra­vail en moins pour les radio­logues. Notre entre­prise sou­haite tout auto­ma­ti­ser : la gate­way recon­naît auto­ma­ti­que­ment, on n’a donc pas besoin d‘envoyer vers le PACS. D’un point de vue finan­cier, même s’ils achètent plu­sieurs algo­rithmes, on leur fait une seule fac­ture pour tout. On a juste à faire l’installation de la gate­way et après ils ont un abon­ne­ment men­suel sans enga­ge­ment. On vend au même prix que nos par­te­naires mais nous pre­nons un pour­cen­tage de la vente. On va éga­le­ment esti­mer une volu­mé­trie du nombre d’examens par mois avec une tolé­rance de 10%. Si l’établissement fait plus ou moins 10%, alors c’est bon. Si c’est plus, alors on réajuste le prix de l’abonnement men­suel. 

Quelles IA proposez-vous ? 

En radio, nous avons une IA de Glea­mer appe­lée Bone­View. Elle per­met de détec­ter des frac­tures ou sai­gne­ments en trau­ma­to­lo­gie. Cela per­met de réduire les tâches pénibles et répé­ti­tives, ce qui est un gain de temps pour les radio­logues. En mam­mo­gra­phie, nous avons Trans­pa­ra de Screen­point Medi­cal qui marche aus­si bien sur des images en 2D et en 3D (il y a d’ailleurs beau­coup plus d’études que The­ra­pixel) et qui per­met de détec­ter des nodules pul­mo­naires. Avec notre par­te­naire Pixyl, l’IA Pixyl.Neuro.MS per­met de détec­ter et assu­rer le sui­vi de la sclé­rose en plaque en ana­ly­sant la volu­mé­trie du cer­veau, ce qui est par­ti­cu­liè­re­ment appré­ciés pour les patients ayant la mala­die d’Alzheimer car on peut ain­si voir que la struc­ture de leur cer­veau est réduite. Cela repré­sente donc un gain de tps pour les radio­logues car la mesure est auto­ma­tique. Côté pro­duc­ti­vi­té et qua­li­té de l’image, il y a Subtle Medi­cal qui pro­pose Subt­le­PET qui per­met de réduire le temps d’acquisition et le bruit lors de la recons­truc­tion de l’image.  

Quels sont les cri­tères / indices d'évaluation d'une IA ? 

On s’appuie sur les per­for­mances de l’IA et on regarde si le temps d’analyse n’est pas trop long. Il y a des études déjà faites des­sus. Après, on peut s’intéresser à la capa­ci­té d’intégration de l’IA avec le PACS par exemple : est-ce que le méde­cin doit faire 10 000 clics pour avoir les résul­tats ou aucun clic est néces­saire ? C’est ce qu’on appelle le work­flow : c’est la façon de tra­vailler, l’habitude de tra­vail. Notre but est d’essayer de ne pas per­tur­ber ce work­flow. Enfin, il y a l’aspect finan­cier. 

Les patients savent-ils que l’on uti­lise de l’IA lors de leurs examens ? 

Cer­tains éta­blis­se­ments pri­vés ne le cachent pas car cela est bon pour leur image et c’est une tech­nique de mar­ke­ting, donc oui les patients sont au cou­rant. Mais dans la plu­part des autres cas, ils ne le savent pas et il n’est pas utile de leur deman­der leur consen­te­ment sur l’utilisation d’une IA. 

Y-a-t-il une réti­cence à l’IA ?  

Il n’y a que les radio­logues des anciennes géné­ra­tions qui peuvent être contre, mais en vrai, tout le monde appré­cie. A l’avenir, le radio­logue assis­té par l’IA rem­pla­ce­ra le radio­logue tout court. En 2021, cela rentre dans les pra­tiques : il y a eu une explo­sion de l’intérêt de l’IA et cela s’est vu aux JFR. 

Est-ce que vos solu­tions sont beau­coup implan­tées dans les ser­vices d'imagerie ? Si oui, quelles moda­li­tés sont les plus populaires ? 

Nous sommes indé­pen­dants des gros construc­teurs comme GE, Phi­lips, Canon, etc. Par­fois, on tra­vaille avec eux lorsqu’ils posent leurs machines, mais ils ont leur propre IA. La moda­li­té la plus popu­laire est la radio­gra­phie car cela marche bien en termes de per­for­mances et cela plait aux urgen­tistes et radio­logues, donc cela touche plus de monde. De plus, le volume d’examens est gigan­tesque. Nous sommes par­te­naires avec Glea­mer et nous pro­po­sons donc l’IA Bone­View. Il y a d’autres concur­rents qui tra­vaillent sur cette moda­li­té comme Mil­vue ou encore Azmed.  Côté mam­mo­gra­phie, on peut uti­li­ser de l’IA dans le cadre du dépis­tage. En pra­tique si on fait un diag­nos­tic de radio­gra­phie et qu’on passe à côté d’une frac­ture, ce n’est pas très impor­tant car ce n’est pas « vital » : le patient ne devrait pas en mou­rir. Par contre si l’on rate quelque chose en mam­mo­gra­phie, cela peut être vital. Pas­sé un cer­tain âge, les femmes en font régu­liè­re­ment chaque année. Si on rate un truc, poten­tiel­le­ment on met la patiente en dan­ger. L’IA est très appré­ciée et existe depuis long­temps. Ce n’était pas du Deep Lear­ning aupa­ra­vant, donc ce n’était pas incroyable et cela ne mar­chait pas très bien (pareil que pour la détec­tion des nodules). Main­te­nant que l’on a le Deep Lear­ning, cela marche beau­coup mieux, c’est plus popu­laire et il y a beau­coup de demandes. Cela conforte et réas­sure le méde­cin pour être sûr qu’il n’ait rien raté. 

Avez-vous des chiffres sur le nombre de ser­vices qui ont vos pro­duits et le nombre d'utilisation éventuellement ? 

Il est dif­fi­cile de chif­frer tout cela, je n’ai mal­heu­reu­se­ment pas ces don­nées sous la main. 

Sur quels cri­tères se basent votre dis­cours com­mer­cial pour convaincre les radio­logues d’utiliser vos logi­ciels d’IA ?  

Nous mon­trons le temps de trai­te­ment et les per­for­mances amé­lio­rés en leur mon­trant des études faites des­sus. Nous insis­tons éga­le­ment sur les capa­ci­tés d’intégration de l’IA avec l’ergonomie de l’application : nous avons essayé de leur rendre tout acces­sible avec le moins de clics pos­sibles, quitte à perdre en qua­li­té. Enfin il y a le coût finan­cier, le mar­quage CE et les normes. Nous leur mon­trons aus­si la varié­té de notre cata­logue : nous avons choi­si une IA par fonc­tion­na­li­té, ils font donc un choix avec les cri­tères pré­cé­dents. Et en fonc­tion du nombre d’examens, nous fai­sons une esti­ma­tion à plus ou moins 10% pour leur abon­ne­ment men­suel.  

Envi­ron com­bien d’images réa­lise un éta­blis­se­ment par mois ? 

En radio­gra­phie, un éta­blis­se­ment effi­cace peut réa­li­ser plu­sieurs mil­liers de radios par mois. Un groupe pri­vé fera en un mois envi­ron 4 000 radios et 2 000 mam­mo­gra­phies avec les IA. 

Selon vous, l’IA pour­ra-t-elle rem­pla­cer un jour les radiologues ? 

A l’avenir, l’IA ne pour­ra pro­ba­ble­ment pas rem­pla­cer les radio­logues. Cepen­dant, je pense que les radio­logues « simples » seront rem­pla­cés par des radio­logues assis­tés par l’IA. » 

Références bibliographiques

[1]       F. Lazzeri, « Apprentissage profond et apprentissage automatique - Azure Machine Learning », sept. 07, 2021. [En ligne]. Disponible sur : https://docs.microsoft.com/fr-fr/azure/machine-learning/concept-deep-learning-vs-machine-learning (consulté le oct. 11, 2021).

[2]       « Imagerie médicale », Le Larousse Médical. [En ligne]. Disponible sur : https://www.larousse.fr/encyclopedie/medical/imagerie_m%C3%A9dicale/13805 (consulté le oct. 11, 2021).

[3]       Siemens Healthcare, « Transforming data to knowledge for better care – AI ». [En ligne]. Disponible sur : https://www.siemens-healthineers.com/fr/infrastructure-it/artificial-intelligence (consulté le nov. 24, 2021).

[4]       Cour des Comptes, « L'imagerie médicale », mai 2016. [En ligne]. Disponible sur : https://www.ccomptes.fr/fr/publications/limagerie-medicale (consulté le oct. 10, 2021).

[5]       T. Gaudiaut, « Infographie : Le big bang du big data », IDC, Seagate, Statista, juill. 30, 2020. [En ligne]. Disponible sur : https://fr.statista.com/infographie/17800/big-data-evolution-quantite-donnees-numeriques-creees-dans-le-monde/ (consulté le oct. 11, 2021).

[6]       J-L. Laurière, « Intelligence artificielle - Résolution de problèmes par l’Homme et la machine », p. 400, 1987.

[7]       J.-P. Haton, « L'intelligence artificielle », Texte de la 263e conférence de l’Université de tous les savoirs donnée le 19 septembre 2000, p. 8, sept. 19, 2000.

[8]       B. Allen, « 2020 ACR Data Science Institute Artificial Intelligence Survey », avr. 20, 2021. [En ligne]. Disponible sur : https://doi.org/10.1016/j.jacr.2021.04.002 (consulté le nov. 06, 2021).

[9]       A. Benoist et al., « Nouvelle bonne pratique d’activités connexes BPAC 6 : ingénierie biomédicale au sein d’un groupement hospitalier de territoire en France. Partie 2 : contenu », IRBM News, vol. 40, n^o 5, oct. 2019. [En ligne]. DOI : https://doi.org/10.1016/j.irbmnw.2019.07.004.

[10]     L. Bastien , « Réseau de neurones artificiels : qu’est-ce que c’est et à quoi ça sert ? », LeBigData.fr, avr. 05, 2019. [En ligne]. Disponible sur : https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition (consulté le nov. 24, 2021).

[11]     M. Zouinar, « Évolutions de l’Intelligence Artificielle : quels enjeux pour l’activité humaine et la relation Humain‑Machine au travail ? », Activités, Art. n^o 17‑1, avr. 2020, [En ligne]. Disponible sur : http://journals.openedition.org/activites/4941, DOI : https://doi.org/10.4000/activites.4941.

[12]     N. Pyatigorskaya, « L’intelligence artificielle en neuroradiologie diagnostique », SFR e-Bulletin, oct. 15, 2018. [En ligne]. Disponible sur : https://ebulletin.radiologie.fr/lundi-focus/lintelligence-artificielle-neuroradiologie-diagnostique (consulté le oct. 09, 2021).

[13]     C. Villani et al., « Donner un sens à l’intelligence artificielle : pour une strategie nationale et européenne », Vie publique, mars 28, 2018. [En ligne]. Disponible sur : https://www.vie-publique.fr/rapport/37225-donner-un-sens-lintelligence-artificielle-pour-une-strategie-nation (consulté le oct. 11, 2021).

[14]     J-G. Lee et al., « Deep Learning in Medical Imaging : General Overview », Korean Journal of Radiology, vol. 18, n^o 4, p. 570, 2017. [En ligne]. DOI : https://doi.org/10.3348/kjr.2017.18.4.570.

[15]     « Les réseaux de neurones convolutifs », Natural Solutions. [En ligne]. Disponible sur : https://www.natural-solutions.eu/blog/la-reconnaissance-dimage-avec-les-rseaux-de-neurones-convolutifs (consulté le nov. 24, 2021).

[16]     R. Lambert, « Focus : Le Réseau de Neurones Convolutifs », Pensée Artificielle, janv. 11, 2019. [En ligne]. Disponible sur : https://penseeartificielle.fr/focus-reseau-neurones-convolutifs/ (consulté le nov. 24, 2021).

[17]     « Produit de convolution », Bibm@th.net. [En ligne]. Disponible sur : https://www.bibmath.net/dico/index.php?action=affiche&quoi=./c/convolution.html (consulté le nov. 24, 2021).

[18]     European Society of Radiology (ESR), « What the radiologist should know about artificial intelligence – an ESR white paper », Insights into Imaging, vol. 10, p. 44, avr. 2019. [En ligne]. DOI : https://doi.org/10.1186/s13244-019-0738-2.

[19]     C. D Lehman et al., « Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection », JAMA Internal Medicine, vol. 175, n^o 11, p. 1828‑1837, nov. 2015. [En ligne]. DOI : https://doi.org/10.1001/jamainternmed.2015.5231.

[20]     L. Duron et al., « Assessment of an AI Aid in Detection of Adult Appendicular Skeletal Fractures by Emergency Physicians and Radiologists : A Multicenter Cross-sectional Diagnostic Study », RSNA, vol. 300, n^o 1, p. 120‑129, juill. 2021. [En ligne]. DOI : https://doi.org/10.1148/radiol.2021203886.

[21]     J. R. Zech et al, « Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs : A cross-sectional study », PLOS Medicine, vol. 15, n^o 11, p. e1002683, nov. 2018. [En ligne]. DOI : https://doi.org/10.1371/journal.pmed.1002683.

[22]     M. B. Naceur et al, Fully Automatic Brain Tumor Segmentation using End-To-End Incremental Deep Neural Networks in MRI images », Comput Methods Programs Biomed, vol. 166, p. 39‑49, nov. 2018. [En ligne]. DOI : https://doi.org/10.1016/j.cmpb.2018.09.007.

[23]     X. Zhang et al., « Optimizing a machine learning based glioma grading system using multi-parametric MRI histogram and texture features », Oncotarget, vol. 8, n^o 29, p. 47816‑47830, juill. 2017. [En ligne]. DOI : https://doi.org/10.18632/oncotarget.18001.

[24]     Carestream Health, « Tufts Medical Center Uses Carestream Vue PACS to Create 3D and MPR Studies », Youtube, 2013. [En ligne]. Disponible sur : https://www.youtube.com/watch?v=XShfEQAFjYs (consulté le oct. 11, 2021).

[25]     « Applications de l’intelligence artificielle dans le domaine de la santé afin d’améliorer l’efficacité », Philips Healthcare. [En ligne]. Disponible sur : https://www.philips.fr/healthcare/nobounds/four-applications-of-ai-in-healthcare (consulté le oct. 11, 2021).

[26]     E. Neri et al., « Radiomics and liquid biopsy in oncology : the holons of systems medicine », Insights into Imaging, vol. 9, n^o 6, Art. n^o 6, déc. 2018. [En ligne]. DOI : https://doi.org/10.1007/s13244-018-0657-7.

[27]  B. Nordlinger, C. Villani, « Santé et intelligence artificielle », CNRS Editions, 2018. [En ligne]. Disponible sur : https://www.cnrseditions.fr/catalogue/physique-et-astrophysique/sante-et-intelligence-artificielle/ (consulté le oct. 11, 2021).

[28]     P. Grenier, « Big Bang Data », Olea Image in, vol. 5, 2018. [En ligne]. Disponible sur : https://www.olea-medical.com/upload/imagein/document/5d8b157ad7043-05-Olea-Imagein-Big-Bang-Data.PDF

[29]     P. Omoumi et al., « To buy or not to buy - evaluating commercial AI solutions in radiology (the ECLAIR guidelines) », European Radiology, vol. 31, n^o 6, p. 3786‑3796, mars 2021. [En ligne]. DOI : https://doi.org/10.1007/s00330-020-07684-x.

[30]     P. Houkas, « L’intelligence artificielle ne fera pas baisser les coût de la radiologie », janv. 26, 2021. [En ligne]. Disponible sur : https://www.bilan.ch/techno/lintelligence-artificielle-ne-fera-pas-baisser-les-cout-de-la-radiologie (consulté le oct. 11, 2021).

[31]     GE Healthcare, « Les radiologues sont optimistes sur l’impact des nouvelles technologies sur leur métier », Caducee.net [En ligne]. Disponible sur : https://www.caducee.net/actualite-medicale/13662/les-radiologues-sont-optimistes-sur-l-impact-des-nouvelles-technologies-sur-leur-metier.html (consulté le nov. 24, 2021).

[32]     « L’IA pour gagner du temps et améliorer la précision dans le positionnement du patient », Philips Healthcare, juin 2021. [En ligne]. Disponible sur : https://www.philips.com/c-dam/b2bhc/fr/landing-pages/imagerie/incisive_precise_position_def.pdf

[33]     « L’Intelligence Artificielle en imagerie médicale », 3R Réseau Radiologique Romand, 2021. [En ligne]. Disponible sur : https://services.groupe3r.ch/ia-replay/ (consulté le nov. 24, 2021).

[34]     L. Bonner, « FDA Clears AIR Recon DL, Deep Learning-based MR image reconstruction technology from GE Healthcare », Axis Imaging News, mai 28, 2020. [En ligne]. Disponible sur : https://axisimagingnews.com/imaging-news/company-news/fda-clears-air-recon-dl-deep-learning-based-mr-image-reconstruction-technology-from-ge-healthcare (consulté le nov. 24, 2021).

[35]     « DC-80A » Mindray. [En ligne]. Disponible sur : https://wwww.mindray.com/fr/product/DC-80A_OB.html (consulté le nov. 24, 2021).

[36]     « SubtlePET », Incepto medical. [En ligne]. Disponible sur : https://incepto-medical.com/fr/solutions/subtlepet (consulté le nov. 02, 2021).

[37]     « KEROS », Incepto medical. [En ligne]. Disponible sur :  https://incepto-medical.com/fr/solutions/keros (consulté le nov. 24, 2021).

[38]     « Pixyl.Neuro.MS », Incepto medical, nov. 02, 2021. [En ligne]. Disponible sur :  https://incepto-medical.com/fr/solutions/pixyl-neuro-ms (consulté le nov. 24, 2021).

[39]     J. Y. Ha et al, « Effect of Bone Reading CT software on radiologist performance in detecting bone metastases from breast cancer », British Journal Radiology, vol. 90, n^o 1072, avr. 21, 2017. [En ligne]. DOI : https://doi.org/10.1259/bjr.20160809.

[40]     « Liver ASSIST Virtual Parenchyma », GE Healthcare. [En ligne]. Disponible sur : https://www.gehealthcare.co.uk/products/interventional-image-guided-systems/igs-for-interventional-radiology-and-oncology/liver-assist-virtual-parenchyma (consulté le nov. 24, 2021).

[41]     T. Ozturk et al, « Automated detection of COVID-19 cases using deep neural networks with X-ray images », Computers in Biology Medicine, vol. 121, juin 2020. [En ligne]. DOI : https://doi.org/10.1016/j.compbiomed.2020.103792.

[42]     « Post LinkedIn de Milvue sur SmartUrgences », LinkedIn, mai 2021. [En ligne]. Disponible sur : https://www.linkedin.com/posts/milvue_ai-xray-focus-activity-6797830758196105216-CE0f/ (consulté le nov. 24, 2021).

[43]     « MammoScreen », Therapixel. [En ligne]. Disponible sur : https://www.mammoscreen.fr/comment-cela-fonctionne (consulté le nov. 24, 2021).

[44]     « Breast-SlimView », Hera-MI. [En ligne]. Disponible sur : https://www.hera-mi.com/breast-slimview/ (consulté le nov. 24, 2021).

[45]     « Caption AI », Caption Health. [En ligne]. Disponible sur : https://captionhealth.com/products/caption-ai/ (consulté le nov. 24, 2021).

[46]     « PET VCAR », GE Healthcare. [En ligne]. Disponible sur : https://www.gehealthcare.fr/products/advanced-visualization/all-applications/pet-vcar (consulté le nov. 24, 2021).

[47]     « Intelligence Artificielle en Imagerie Médicale - Enjeux et Adoption », Incepto medical. [En ligne]. Disponible sur : https://incepto-medical.com/fr/actualites/articles/intelligence-artificielle-en-imagerie-medicale-enjeux-et-adoption (consulté le oct. 01, 2021).

[48]     M. Gautherot et al., « 15 minutes pour comprendre et évaluer un logiciel d’intelligence artificielle appliquée à l’imagerie médicale », Journal d’imagerie diagnostique et interventionnelle, vol. 4, n^o 3, p. 167‑171, juin 2021. [En ligne]. DOI : https://doi.org/10.1016/j.jidi.2020.12.001.

[49]     G. Avrin et al, « Évaluer les intelligences artificielles », Data Analytics Post, sept. 13, 2018. [En ligne]. Disponible sur : https://dataanalyticspost.com/evaluer-les-intelligences-artificielles/ (consulté le janv. 05, 2022).

[50]     « LEIA, une plateforme inédite pour l’évaluation de l’intelligence artificielle », Laboratoire National de métrologie et d’Essais, févr. 08, 2021. [En ligne]. Disponible sur : https://www.lne.fr/fr/actualites/leia-plateforme-inedite-evaluation-intelligence-artificielle (consulté le janv. 05, 2022).

[51]     « Estimation de la similarité de deux ensembles ou plus », Snowflake. [En ligne]. Disponible sur : https://docs.snowflake.com/fr/user-guide/querying-approximate-similarity.html (consulté le janv. 07, 2022).

[52]     R.J Marks et al., « Six limitations of Artificial Intelligence as we know it », Mind Matters News, août 27, 2020. [En ligne]. Disponible sur : https://mindmatters.ai/2020/08/six-limitations-of-artificial-intelligence-as-we-know-it/ (consulté le janv. 05, 2022).

[53]     C. Meziat et al., « Intelligence Artificielle et Cybersécurité », Wavestone, 2019. [En ligne]. Disponible sur : https://www.wavestone.com/app/uploads/2019/09/IA-cyber-2019.pdf (consulté le janv. 06, 2022).

[54]     B. Teinturier et al, « Observatoire sociétal du médicament - 8ème vague », Conférence de presse d'Ipsos, nov. 13, 2018. [En ligne]. Disponible sur : https://www.ipsos.com/sites/default/files/ct/news/documents/2018-11/ipsos_leem_observatoire_societal_2018.pdf (consulté le janv. 04, 2022).

[55]     C. Balagué, « Enjeux de l’IA Responsable en santé », Evry-Sénart Sciences et Innovation sur Youtube, janv. 23, 2019. [En ligne]. Disponible sur : https://www.youtube.com/watch?v=BFM9hPWYY_Q (consulté le janv. 07, 2022).

[56]     P. Renard, « Droit et éthique des DM à base d’IA : l’Europe et la France accélèrent ! », DeviceMed, nov. 07, 2021. [En ligne]. Disponible sur : https://www.devicemed.fr/dossiers/reglementation/droit-et-ethique-des-dm-a-base-dia-leurope-et-la-france-accelerent/29063 (consulté le janv. 07, 2022).

[57]     Organisation Mondiale de la Santé, « Ethics and governance of artificial intelligence for health : WHO guidance : executive summary », 2021. [En ligne]. Disponible sur : https://apps.who.int/iris/handle/10665/350567 (consulté le janv. 07, 2022). 

[58]     Organisation Mondiale de la Santé, « L’OMS publie le premier rapport mondial sur l’intelligence artificielle (IA) appliquée à la santé et six principes directeurs relatifs à sa conception et à son utilisation », juin 28, 2021. [En ligne]. Disponible sur : https://www.who.int/fr/news/item/28-06-2021-who-issues-first-global-report-on-ai-in-health-and-six-guiding-principles-for-its-design-and-use (consulté le janv. 07, 2022).