L’apprentissage profond et l’IA renforcent les techniques de diagnostic médical

Les données biomédicales représentent une base de connaissances sous-exploitée. Des chercheurs financés par l’UE ont appliqué des techniques informatiques de pointe pour faciliter l’analyse et l’exploitation de grands ensembles de données d’images, dans le but d’améliorer les diagnostics.Les procédures non invasives basées sur l’image – telles que l’imagerie par résonance magnétique et la tomographie assistée par ordinateur – sont utilisées pour diagnostiquer et surveiller les maladies.

À l’ère du calcul haute performance (HPC pour «high-performance computing») et des mégadonnées, les grands ensembles de données d’images provenant de ces procédures peuvent être utilisés pour entraîner des modèles sophistiqués alimentés par l’intelligence artificielle (IA), afin d’identifier et de soutenir de nouvelles méthodes plus efficaces de traitement des patients.

Les plus précis et les plus utiles de ces modèles peuvent être inclus dans les systèmes d’aide au diagnostic clinique (SADC). Ces systèmes d’aide clinique, qui rassemblent des données axées sur le patient et comprennent souvent des alertes et des rappels automatisés pour le personnel soignant, constituent un avantage clé potentiel de l’application de l’IA en médecine.
Efficacité et compatibilité des calculs

«D’un point de vue technique, les avantages des SADC sont compris et appréciés», déclare Jon Ander Gomez, responsable technique de DeepHealth, de l’Université polytechnique de Valence (UPV), en Espagne. «Le défi consiste à développer davantage d’adaptations et à s’appuyer sur les développements actuels.»

Le projet DeepHealth, financé par l’UE et coordonné par NTT DATA (site web en espagnol), en Espagne, est né de la collaboration entre l’UPV et FISABIO. Ces travaux ont porté sur le traitement des images IRM pour le diagnostic de la maladie d’Alzheimer, ainsi que sur l’imagerie IRM de la colonne vertébrale.

«Ce que nous avons observé, c’est un manque d’homogénéité dans les applications logicielles et les bibliothèques permettant de construire des pipelines pour traiter les données médicales – principalement les images – et entraîner plus rapidement les modèles basés sur l’IA», explique Jon Ander Gomez. Un autre besoin identifié est l’amélioration de l’efficacité informatique lors du traitement de grands ensembles de données d’images médicales...
...
La suite sur Cordis