L'IA et l'apprentissage automatique transforment l'imagerie médicale

Ces dernières années, le domaine de l'imagerie médicale a commencé à utiliser l'apprentissage automatique (ML) et l'intelligence artificielle (IA) pour créer de nouveaux outils pour prédire les résultats des patients. Ces technologies peuvent changer la façon dont les médecins diagnostiquent et traitent les patients. Elles peuvent aider dans différents domaines comme la collecte de données, l'amélioration des images et rendre le flux de travail dans les hôpitaux plus fluide. Toutefois, pour que ces outils soient utilisables au quotidien, ils doivent passer par plusieurs étapes importantes.

#L'importance de tester les modèles d'IA

Avant que les outils d'IA puissent être utilisés dans les hôpitaux, ils doivent passer par un processus appelé validation prospective. Cela signifie que les modèles sont testés dans de vrais environnements cliniques pour voir à quel point ils sont efficaces et s'ils aident les médecins dans leur travail. Obtenir des retours des médecins pendant cette phase de test est crucial. Cela permet aux développeurs de savoir combien les résultats sont utilisables et compréhensibles, et de corriger d'éventuels problèmes techniques avec les systèmes hospitaliers existants.

Passer ces modèles d'IA des tests initiaux à une utilisation clinique quotidienne est important. Bien que les tests initiaux soient basés sur des données passées, les utiliser en temps réel avec des patients actuels est ce qui compte vraiment.

#Défis de l'intégration

Intégrer ces modèles avancés dans les hôpitaux nécessite beaucoup d'infrastructures et de systèmes logiciels, ce qui peut être compliqué et coûteux. Il existe différentes options, des logiciels commerciaux prêts à l'emploi aux applications sur mesure, chacune ayant ses avantages et ses inconvénients. Ce document décrit un cadre général pour valider et déployer des modèles ML dans des environnements cliniques, créé à partir d'outils libres et open-source.

#Flux de données

Dans un environnement clinique, les images provenant des scans sont envoyées à un routeur spécial qui les dirige vers les systèmes appropriés. Ces images vont ensuite dans un système de stockage, comme PACS. En même temps, les images sont envoyées à un serveur exécutant les modèles d'IA. Après traitement, les résultats sont envoyés à une plateforme de gestion d'images appelée XNAT, qui permet aux médecins d'accéder facilement à leurs résultats.

#Routage et ingestion d'images

Lorsque des images cliniques sont prises, elles sont acheminées à travers un système qui s'assure qu'elles atteignent les bonnes destinations, y compris le système de stockage et le service d'inférence d'IA. Les règles de routage sont basées sur des détails spécifiques dans les données d'image. Ce dispositif permet de gérer les images de manière efficace, que ce soit automatiquement ou manuellement.

#Serveurs d'inférence d'IA

Le système est composé de machines virtuelles chargées de traiter les images via des modèles d'IA. Chacune de ces machines a des unités de traitement graphique (GPU) dédiées pour gérer les tâches computationnelles intensives requises par les applications d'IA. Les serveurs exécutent un logiciel spécifique pour gérer les flux de travail d'IA.

#Comment fonctionne l'inférence d'IA

L'inférence d'IA implique une série d'étapes pour analyser les images médicales. Dans un premier temps, le système traite les données entrantes pour trouver les parties pertinentes. Ensuite, il effectue diverses tâches de prétraitement. Après cela, le modèle d'IA effectue son analyse, ce qui peut impliquer des calculs supplémentaires. Enfin, les résultats sont envoyés au système de stockage spécifié.

#Gestion des résultats

Une fois que l'IA a généré des résultats, ils doivent être stockés de manière appropriée. XNAT ne sert pas seulement de plateforme de stockage, mais permet aussi des plugins personnalisés pour gérer et afficher les résultats. Cette communication bidirectionnelle permet aux médecins de voir les résultats générés par l'IA aux côtés des données traditionnelles, rendant leur intégration dans leurs processus de travail plus facile.

#Développement et déploiement de pipelines

Le développement de modèles d'IA et leur déploiement efficace dans des environnements cliniques nécessite une collaboration entre ingénieurs, scientifiques des données et utilisateurs cliniques. Grâce aux tests et aux retours, les équipes apportent les ajustements nécessaires pour garantir que les pipelines sont conviviaux et répondent à toutes les exigences.

#Projets de preuve de concept

Pour tester l'efficacité de ces modèles d'IA dans des environnements réels, trois projets différents ont été lancés. Chacun de ces projets impliquait différents départements médicaux et avait des objectifs spécifiques pour déterminer si l'IA pouvait être bénéfique dans les soins cliniques.

1. Segmentation des tumeurs cérébrales : Ce projet visait à utiliser l'IA pour analyser les IRM de patients ayant des tumeurs cérébrales spécifiques. L'objectif était de suivre les changements de la tumeur au fil du temps.

2. Segmentation de transplantation du foie : Ici, l'IA a été utilisée pour aider les chirurgiens à planifier des transplantations du foie en dessinant automatiquement les structures hépatiques dans les images TC.

3. Détection de fractures de hanche : Ce projet avait pour but d'aider les médecins à identifier rapidement les fractures sur les radiographies de hanche, améliorant les délais de traitement dans les services d'urgence.

Chaque projet a permis de mesurer la performance des modèles d'IA et leur intégration avec les workflows cliniques existants.

#Workflows cliniques

Pour qu'un nouvel outil soit efficace dans un hôpital, il doit s'intégrer parfaitement aux routines quotidiennes du personnel. Cela signifie que les équipes de développement doivent travailler en étroite collaboration avec les utilisateurs cliniques pour concevoir des processus qui minimisent les perturbations. Des efforts doivent être faits pour s'assurer que toute information générée par l'IA soit utile, claire et apporte de la valeur aux soins des patients.

#Gouvernance et validation

Avant que les résultats d'IA puissent être utilisés dans la pratique clinique quotidienne, un plan de gouvernance est essentiel. Ce plan fournit une méthode structurée pour évaluer si les outils d'IA sont précis et fiables. Le processus implique d'évaluer l'impact de ces outils sur les soins aux patients et de s'assurer qu'ils améliorent les workflows existants sans introduire de risques inutiles.

#Conclusion

Créer un cadre fiable pour déployer des modèles d'IA dans des environnements cliniques nécessite un effort et une collaboration considérables. L'infrastructure mise en place peut soutenir diverses applications d'IA à l'avenir et offre une plateforme flexible pour le développement futur. En investissant dans ces technologies dès maintenant, les établissements de santé peuvent améliorer les résultats des patients et rationaliser leurs processus. L'accent mis sur les logiciels open-source permet une adaptabilité et une résilience, ce qui en fait un choix judicieux pour les hôpitaux cherchant à faire progresser leurs capacités en matière d'imagerie médicale et de soins aux patients.