Technologie d’IA efficace pour l’analyse des données IRM

Un algorithme développé par des chercheurs de Helmholtz Munich, de l’Université technique de Munich (TUM) et de son hôpital universitaire rechts der Isar, de l’hôpital universitaire de Bonn (UKB) et de l’Université de Bonn est capable d’apprendre indépendamment dans différentes institutions médicales. La principale caractéristique est qu’il est auto-apprenant, ce qui signifie qu’il ne nécessite pas de découvertes ou de marquages ​​longs et longs par les radiologues dans les images IRM.

Cet algorithme fédéré a été formé sur plus de 1 500 examens IRM de participants sains à l’étude de quatre institutions tout en préservant la confidentialité des données. L’algorithme a ensuite été utilisé pour analyser plus de 500 IRM de patients afin de détecter des maladies telles que la sclérose en plaques, les maladies vasculaires et diverses formes de tumeurs cérébrales que l’algorithme n’avait jamais vues auparavant. Cela ouvre de nouvelles possibilités pour développer des algorithmes fédérés efficaces basés sur l’IA qui apprennent de manière autonome tout en protégeant la vie privée. L’étude vient d’être publiée dans la revue Intelligence de la machine naturelle.

Les soins de santé sont actuellement révolutionnés par l’intelligence artificielle. Avec des solutions d’IA précises, les médecins peuvent être aidés dans le diagnostic. Cependant, de tels algorithmes nécessitent une quantité considérable de données et les résultats des spécialistes radiologiques associés pour la formation. La création d’une base de données aussi volumineuse et centrale impose toutefois des exigences particulières en matière de protection des données. De plus, la création des résultats et des annotations, par exemple le marquage des tumeurs dans une image IRM, prend beaucoup de temps.

Pour surmonter ces défis, une équipe multidisciplinaire de Helmholtz Munich, de l’hôpital universitaire de Bonn et de l’université de Bonn a collaboré avec des cliniciens et des chercheurs de l’Imperial College London et de TUM et de son hôpital universitaire rechts der Isar. L’objectif était de développer un algorithme de diagnostic médical basé sur l’IA pour les images IRM du cerveau, sans aucune donnée annotée ou traitée par un radiologue. De plus, cet algorithme devait être formé « au niveau fédéral »: De cette manière, l’algorithme « vient aux données », de sorte que les données d’image médicale nécessitant une protection spéciale puissent rester dans la clinique respective et n’aient pas à être collectées de manière centralisée.

Apprendre de plusieurs instituts sans échange de données

Dans leur étude, les chercheurs ont pu montrer que l’algorithme d’IA fédéré qu’ils ont développé surpassait tout algorithme d’IA formé en utilisant uniquement les données d’une seule institution. « Dans son ‘The Wisdom of Crowds’, James Surowiecki a soutenu que de grands groupes de personnes sont plus intelligents, peu importe à quel point un individu peut être intelligent. Fondamentalement, c’est ainsi que fonctionne notre algorithme d’IA fédéré », déclare le professeur Shadi Albarqouni, Professeur de recherche en imagerie médicale computationnelle au département de radiologie diagnostique et interventionnelle de l’hôpital universitaire de Bonn et chef du groupe de recherche junior Helmholtz AI à Helmholtz Munich. Pour mettre en commun les connaissances sur les images IRM du cerveau, l’équipe de recherche a formé l’algorithme d’IA dans différentes institutions médicales indépendantes sans violer la confidentialité des données ni collecter les données de manière centralisée.

« Une fois que cet algorithme apprendra à quoi ressemblent les images IRM du cerveau sain, il lui sera plus facile de détecter la maladie. Pour y parvenir, il faut une agrégation informatique intelligente et une coordination entre les instituts participants », explique le professeur Albarqouni. PD Dr Benedikt Wiestler, médecin-chef à l’hôpital universitaire de TUM rechts der Isar et également impliqué dans l’étude. Il ajoute que « la formation du modèle sur les données de différents centres contribue de manière significative au fait que notre algorithme détecte les maladies de manière beaucoup plus robuste que d’autres algorithmes qui ne sont formés qu’avec les données d’un seul centre ».

Vers des solutions d’IA collaboratives abordables

En protégeant les données des patients tout en réduisant la charge de travail des radiologues, les chercheurs pensent que leur technologie d’IA fédérée fera considérablement progresser la médecine numérique.

« L’IA et les soins de santé doivent être abordables, et c’est notre objectif. Avec notre étude, nous avons fait un pas dans cette direction », déclare le professeur Dr Albarqouni. « Notre objectif principal est de développer des algorithmes d’IA, formés en collaboration dans différents instituts médicaux décentralisés, y compris ceux aux ressources limitées. »