Skip to main content

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 tomodensitométries et les IRM aident les médecins depuis des décennies en leur fournissant des images détaillées des os et des structures tissulaires à l'intérieur du corps du patient. « Toutes ces technologies nous fournissent des données d'imagerie ne permettant d'établir un diagnostic que si elles peuvent être interprétées correctement. Par exemple, il faut comprendre qu’une ligne fine sur une radiographie indique une fracture osseuse, ou repérer une masse inhabituelle parmi la grande quantité de données issues d’une IRM », explique Gerardo Hermosillo Valadez de Siemens Healthineers (SHS), lauréat du prix de l’Inventeur de l’année 2024 dans la catégorie « Œuvre de toute une vie ». « Mon département travaille sur des processus d’IA capables d’interpréter les images médicales et, ce faisant, de soulager et d’assister le personnel médical. »

Interprétation d'images grâce à l'intelligence artificielle

Un homme en costume-cravate se tient devant un bâtiment doté d'une grande fenêtre.

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

Les personnes sont généralement très douées pour repérer des éléments sur les images. Par exemple, la plupart des gens n'auront aucun mal à reconnaître la colonne vertébrale sur des radiographies, même si ces images varient considérablement en raison des différentes postures du patient, des angles de prise de vue, de la taille des os ou du fait que la colonne soit saine ou déformée. Les ordinateurs ne peuvent y parvenir qu’à l’aide de l’intelligence artificielle, grâce à l’apprentissage profond, et uniquement s’ils ont été entraînés à partir d’un grand nombre d’échantillons appropriés. « C’est ainsi que l’intelligence artificielle peut développer une intelligence anatomique lui permettant de s’y 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 basée sur l'intelligence artificielle trouve de nombreuses applications dans la vie quotidienne des hôpitaux et des cabinets médicaux : par exemple, un système peut apprendre à afficher les données d'image appropriées en réponse à une instruction telle que « Montrer l'omoplate droite ». Il peut également fournir une assistance automatisée lors des examens radiologiques, en déterminant à quel moment le produit de contraste injecté a atteint l'organe à examiner, et analyser les données d'image à la recherche d'éventuelles modifications pathologiques. Bon nombre des innovations mises en œuvre par Gerardo sont omniprésentes dans l'ensemble de la gamme de produits SHS.

Différentes stratégies d'apprentissage basées sur l'IA

« L'intelligence artificielle n'est efficace que dans la mesure où les données utilisées pour son apprentissage le sont aussi », souligne Gerardo. « Pour pouvoir détecter des tumeurs sur une image IRM, elle doit d'abord avoir appris à partir des milliers d'images de personnes en bonne santé et de personnes malades que nous avons mises à sa disposition. » Il existe trois approches fondamentales pour former l’IA : l’apprentissage supervisé, l’apprentissage faiblement supervisé et l’apprentissage auto-supervisé. 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 fournies : par exemple, « tumeur » ou « pas de tumeur ». Dans l’apprentissage auto-supervisé, les données ne comportent aucune étiquette, et l’IA apprend de manière autonome : par exemple, en masquant certaines parties d’images d’échantillons existantes et en « devinant » à quoi elles ressemblent.

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

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

Un homme à l'air sérieux, vêtu d'une chemise noire et portant un tatouage, se tient debout devant un mur blanc, partiellement éclairé par la droite

L'intelligence artificielle peut apprendre à s'y retrouver à travers les images médicales et à les classer correctement.

Presque aussi intelligent qu'un atlas d'anatomie

L'apprentissage supervisé est le moyen d'apprendre le plus rapide et le plus efficace pour l'IA, mais il est long et coûteux d'obtenir suffisamment de données d'entraînement qui tiennent compte de tous les aspects pertinents. L'apprentissage auto-supervisé nécessite le plus de temps d'apprentissage, mais l'IA peut fonctionner de manière autonome sans qu'il soit nécessaire de procéder à un étiquetage coûteux des données. « Récemment, nous nous sommes concentrés sur les dernières techniques d’apprentissage auto-supervisé, telles que celles utilisées par ChatGPT », explique Gerardo. « Cela nous a donné un élan considérable, en particulier dans le domaine de l’intelligence anatomique. Notre IA est désormais presque aussi performante qu’un atlas anatomique. Elle est capable de distinguer environ 200 repères différents (parties du corps) et de les localiser dans les images. »