Skip to main content
Cette page est générée par traduction automatique. Voulez-vous afficher la version originale en anglais?

Assistance en matière d'IA pour les professionnels de santé

Gerardo Hermosillo Valadez | Inventeurs de l'année Siemens | L'œuvre 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 fournissant des images détaillées des structures osseuses et tissulaires du corps du patient. « Toutes ces technologies nous fournissent des données d'image qui ne sont utiles pour établir un diagnostic que si elles peuvent être interprétées correctement. Par exemple, quelqu'un doit comprendre que la fine ligne de la radiographie indique qu'un os est cassé, ou remarquer la masse inhabituelle de la grande quantité de données issues 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 capables d'interpréter les images médicales et ainsi de soulager et de soutenir le personnel médical. »

Interprétation d'images grâce à l'intelligence artificielle

A man in a suit and tie is standing in front of a building with a large window.

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

Les gens sont généralement très doués pour repérer les choses sur les photos. Par exemple, la plupart des gens reconnaîtront facilement la colonne vertébrale sur les radiographies, même si les images sont très différentes en raison de la posture du patient, de l'angle sous lequel la photo a été prise, de la taille ou de la petite taille des os, ou de la santé ou de la déformation de la colonne vertébrale. Les ordinateurs ne peuvent le faire que grâce à l'intelligence artificielle, grâce à l'apprentissage en profondeur, et uniquement s'ils ont été entraînés à l'aide de nombreux échantillons appropriés. « C'est ainsi que l'intelligence artificielle peut développer l'intelligence anatomique afin de se retrouver dans les images médicales et de classer correctement les différents os, organes et tissus », explique Gerado. « De la même manière, l'IA peut apprendre à faire la différence entre un tissu normal et un tissu anormal. »

Des innovations qui façonnent l'ensemble de la gamme de produits SHS

La reconnaissance d'images pilotée par l'IA a de nombreuses applications dans la vie de tous les jours dans les hôpitaux et les cabinets médicaux : par exemple, un système peut apprendre à afficher les données d'image correctes en réponse à une instruction telle que « Montrez l'omoplate droite ». Il peut également fournir une assistance automatisée pour les examens radiologiques qui permettent de déterminer quand le produit de contraste injecté a atteint l'organe à examiner et d'analyser les données d'image pour détecter d'éventuels changements pathogènes. La plupart des innovations proposées par Gerardo sont omniprésentes dans l'ensemble de la gamme de produits SHS.

Différentes stratégies d'apprentissage basées sur l'IA

« La qualité de l'intelligence artificielle dépend des données sur lesquelles elle a été entraînée », souligne Gerardo. « Pour reconnaître les tumeurs sur une image IRM, elle doit d'abord tirer les leçons des milliers d'images de personnes en bonne santé et malades que nous lui avons mises à sa disposition. » Il existe trois approches de base pour entraîner l'IA : l'apprentissage supervisé, l'apprentissage faiblement supervisé et l'apprentissage autosupervisé. Dans le cadre de l'apprentissage supervisé, l'IA reçoit des informations précises pour chaque ensemble de données : par exemple, « Il y a une tumeur en haut à droite de l'image ». Dans le cadre d'un apprentissage faiblement supervisé, seules quelques étiquettes d'information sont attribuées : par exemple, tumeur ou pas de tumeur. Dans le cadre de l'apprentissage autosupervisé, les données ne sont pas étiquetées et l'IA apprend de manière autonome : par exemple, en masquant des parties d'images existantes et en « devinant » à quoi elles ressemblent.

Person in black shirt standing against white wall, holding a dark object with blurred background.

Son invention façonne l'ensemble de la gamme de produits Siemens Healthineers

Serious man in black shirt with tattoo standing against white wall, partially illuminated from right side

L'intelligence artificielle peut apprendre à se frayer un chemin à travers les images médicales et à les classer correctement.

Presque aussi intelligent qu'un atlas d'anatomie

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