Apport de l’intelligence artificielle dans le post-traitement de l’imagerie thoracique

L’apport de l’intelligence artificielle (IA) en imagerie médicale est un sujet qui suscite actuellement de très nombreuses expérimentations. Le développement des méthodes dites en deep learning (DL), en particulier l’usage des réseaux neuronaux de convolution (CNNs), permet des gains de performances comparés aux méthodes classiques de machine learning. La radiomique est une autre approche dont l’objectif est d’extraire, au sein des images exprimant une pathologie, un grand nombre de données quantitatives, non accessibles à l’œil humain, qui viennent alimenter des modèles de machine learning pour fournir des probabilités diagnostiques ou pronostiques. La radiographie thoracique offre un domaine presque parfait pour le développement des algorithmes de DL pour une interprétation automatique des examens. Les algorithmes actuels sont capables de détecter jusqu’à 14 types d’anomalies, quand elles sont présentes, de façon isolée ou en association. Le scanner thoracique est un autre champ important d’application de l’IA. Différents algorithmes sont entraînés, puis validés, spécifiquement pour la détection et caractérisation de nodules pulmonaires, la détection d’embolie pulmonaire ou l’analyse quantitative de l’étendue des maladies diffuses pulmonaires (emphysème, atteintes des bronches et bronchioles, pneumonies infectieuses, pneumonies interstitielles). L’analyse des images peut aussi être associée à celles des données cliniques, biologiques ou fonctionnelles (analyse multi-omics) pour des approches prédictives de pronostic ou de réponse aux traitements.