Intelligence artificielle et analyse des radiographies thoraciques : une étude menée par des chercheurs de YULCOM Technologies, de l’Université Concordia et de l’Université McGill sur la classification multi-étiquettes des maladies pulmonaires
L’équipe de R&D de YULCOM Technologies a contribué à la recherche et à la publication en langue anglaise de l’article, intitulé “ Classification hiérarchique multi-étiquettes des radiographies thoraciques inspirée de la pratique clinique, avec une fonction de perte basée sur des pénalités » ”.
Cet article, coécrit par l’équipe R&D de YULCOM en collaboration avec l’Université Concordia (Gina Cody School of Engineering and Computer Science) et la division d’oncologie radiologique du Centre universitaire de santé McGill, a bénéficié du soutien d’une subvention Découverte du CRSNG du Canada (RGPIN-2017-06722).
Les chercheurs Mehrdad Asadi, Komi Sodoké PhD, Ian J. Gerard, et Marta Kersten-Oertel PhD, proposent une approche d’intelligence artificielle (IA) pour la classification multi-étiquettes des radiographies thoraciques (CXR), avec pour objectif d’améliorer la précision des diagnostics tout en renforçant leur interprétabilité clinique.
Dans le domaine médical, l’IA est présentée comme un outil d’aide à la décision permettant de répondre à plusieurs enjeux : surcharge de travail des radiologues, variabilité des diagnostics et risque d’erreurs. Toutefois, les approches classiques d’IA montrent des limites, notamment leur incapacité à intégrer les relations cliniques entre maladies et leur manque de transparence.
Pour y remédier, l’équipe de R&D de YULCOM en partenariat avec Concordia University (Gina Cody School of Engineering and Computer Science ), et la Division de radio-oncologie du McGill University Health Centre introduisent une approche hiérarchique inspirée du raisonnement médical. Ils proposent également une nouvelle fonction de perte (HBCE) qui pénalise les incohérences entre prédictions, rendant les résultats plus logiques sur le plan clinique.
L’article présente une approche d’intelligence artificielle appliquée à l’analyse des radiographies thoraciques (CXR) pour la classification multi-étiquettes de maladies pulmonaires. L’objectif principal est d’améliorer la précision des diagnostics tout en rendant les modèles plus interprétables et utiles en pratique clinique.
Dans le domaine médical, l’IA est utilisée comme un outil d’aide à la décision pour faire face à plusieurs défis : surcharge de travail des radiologues, variabilité des interprétations et risque d’erreurs diagnostiques. Cependant, les approches classiques d’IA présentent des limites importantes : elles considèrent souvent les maladies comme indépendantes et manquent de transparence.
Pour répondre à ces limites, les auteurs proposent une approche innovante d’IA inspirée du raisonnement clinique. Ils organisent les maladies selon une structure hiérarchique, reflétant les relations réelles entre pathologies. Ils introduisent également une fonction de perte spécifique (HBCE) qui pénalise les incohérences dans les prédictions (par exemple, prédire une maladie spécifique sans sa catégorie générale).
Le modèle repose sur une architecture de deep learning entraînée sur le dataset CheXpert, et intègre des mécanismes pour améliorer l’interprétabilité :
- visualisation des zones importantes (Grad-CAM),
- estimation de l’incertitude (Monte Carlo dropout).
Les résultats montrent de bonnes performances (AUROC ≈ 0.903), avec une amélioration notable lorsque des pénalités basées sur les données sont utilisées. L’approche permet surtout de produire des prédictions plus cohérentes médicalement.
L’article démontre que l’intégration de connaissances cliniques dans les modèles d’IA permet de développer des systèmes :
- plus fiables,
- plus interprétables,
- et mieux adaptés à une utilisation réelle en milieu médical.
L’IA est donc présentée comme un outil complémentaire aux médecins, capable d’améliorer la qualité et la rapidité du diagnostic, sans s’y substituer.
Lire l’article sur arxiv
