Passer au contenu principal

Soutien IA pour les professionnels de la santé

Gerardo Hermosillo Valadez | Inventeurs Siemens de l'année | Réalisation de toute une vie

Les technologies d'imagerie telles que les rayons X, les tomodensitogrammes et les IRM aident les médecins depuis des décennies en leur donnant des images détaillées des os et des structures tissulaires à l'intérieur du corps du patient. « Toutes ces technologies nous fournissent des données d'images qui ne sont utiles que pour un diagnostic si elles peuvent être interprétées correctement. Par exemple, quelqu'un doit comprendre que la ligne fine de l'image radiographique montre qu'un os est cassé, ou remarquer la masse inhabituelle de la grande quantité de données d'une IRM », explique Gerardo Hermosillo Valadez de Siemens Healthineers (SHS), inventeur de l'année 2024 dans la catégorie Lifetime Achievement. « Mon département travaille sur des processus d'IA qui peuvent interpréter les images médicales et ainsi soulager et aider le personnel médical. »

Interprétation d'images avec l'intelligence artificielle

Un homme en costume et cravate se tient devant un bâtiment avec une grande fenêtre.

Gerardo Hermosillo Valadez est l'inventeur de l'année 2024 : Son invention développe l'intelligence anatomique

Les gens sont généralement très bons pour repérer les choses en images. Par exemple, la plupart des gens trouveront facile de reconnaître la colonne vertébrale dans les images radiographiques - même si les images diffèrent beaucoup en raison des différentes postures du patient, des angles différents à partir desquels la photo est prise, des os grands ou petits, ou des colonnes saines par rapport à celles déformées. Les ordinateurs ne peuvent le faire qu'en utilisant l'intelligence artificielle — au moyen du deep learning — et seulement s'ils ont été formés avec de nombreux échantillons appropriés. « C'est ainsi que l'intelligence artificielle peut développer l'intelligence anatomique afin qu'elle puisse trouver son chemin à travers les images médicales et classer correctement les différents os, organes et tissus » dit Gerado. De la même manière, l'IA peut apprendre à faire la différence entre les tissus normaux et anormaux.

Des innovations qui façonnent toute la gamme de produits SHS

Il existe de nombreuses applications différentes pour la reconnaissance d'images pilotée par l'IA dans la vie quotidienne, dans les hôpitaux et les cabinets de médecins : par exemple, un système peut apprendre à afficher les données d'image correctes en réponse à une instruction comme « Montrer l'omoplate droite ». Il peut également fournir un support automatisé pour les examens radiologiques qui déterminent quand le produit de contraste injecté a atteint l'organe à examiner, et analyser les données d'image pour d'éventuels changements pathogènes. Bon nombre des innovations que Gerardo a mises au point sont omniprésentes dans toute la gamme de produits SHS.

Différentes stratégies d'apprentissage de l'IA

« L'intelligence artificielle est seulement aussi bonne que les données avec lesquelles elle a été entraînée », souligne Gerardo. « Afin de reconnaître les tumeurs dans une image IRM, elle doit d'abord avoir appris sur des milliers d'images de personnes en bonne santé et malades que nous lui avons mises à disposition. » Il existe trois approches de base pour former l'IA : l'apprentissage supervisé, l'apprentissage faiblement supervisé et l'apprentissage autosupervisé. Dans l'apprentissage supervisé, l'IA reçoit des informations précises pour chaque ensemble de données : par exemple, « Il y a une tumeur dans le coin supérieur droit de l'image. » Dans l'apprentissage faiblement supervisé, seules quelques étiquettes d'information sont données : par exemple, tumeur ou pas de tumeur. Dans l'apprentissage autosupervisé, les données n'ont aucune étiquette, et l'IA apprend de manière indépendante : par exemple, en cachant des parties des exemples d'images existantes et en « devinant » à quoi elles ressemblent.

Personne en chemise noire debout contre un mur blanc, tenant un objet sombre sur un fond flou.

Son invention façonne toute la gamme de produits Siemens Healthineers

Homme sérieux en chemise noire avec tatouage debout contre un mur blanc, partiellement éclairé du côté droit

L'intelligence artificielle peut apprendre à trouver son chemin à travers les images médicales et à les catégoriser correctement.

Presque aussi intelligent qu'un atlas d'anatomie

L'apprentissage supervisé est le moyen d'apprentissage le plus rapide et le plus efficace pour l'IA, mais il est long et coûteux d'obtenir suffisamment de données de formation prenant en compte tous les aspects pertinents. L'apprentissage autosupervisé nécessite le plus de temps d'apprentissage, mais l'IA peut travailler de manière autonome sans étiquetage de données coûteux. « Récemment, nous nous sommes concentrés sur les dernières techniques d'apprentissage autosupervisé, des techniques comme celles utilisées par ChatGPT », explique Gerardo. « Cela nous a donné un coup de pouce significatif, en particulier dans le domaine de l'intelligence anatomique. Notre IA est maintenant presque aussi intelligente qu'un atlas d'anatomie. Elle peut distinguer environ 200 points de repère différents (parties du corps) et les localiser dans le matériel d'imagerie.