Progrès en Intelligence artificielle qui se sont produits au cours de la dernière décennie signifient qu'en 2024, il y aura de nombreuses applications pratiques de ces connaissances en médecine, en mettant l'accent sur le domaine de la radiologie et du diagnostic par imagerie. C'est l'un des points les plus attendus du programme scientifique de la 54ème Jornada Paulista de Radiologia (JPR 2024), le plus grand événement de diagnostic de radiologie et d'imagerie d'Amérique latine, qui se tiendra du 2 au 5 mai au Transamerica Expo Center, à São Paulo (SP).
L'événement, organisé par la Société de diagnostic de radiologie et d'imagerie de São Paulo (SPR) en collaboration avec la Société nord-américaine de radiologie (RSNA), se tiendra du 2 au 5 mai, au Transamerica Expo Center, à São Paulo.
Pour célébrer le partenariat entre SPR et RSNA, JPR 2024 a pour thème « SPR et RSNA – 10 ans de création de liens chez JPR ». C'est la sixième édition que les deux entités organisent ensemble la Jornada Paulista de Radiologia, démontrant l'importance de JPR sur la scène mondiale et la crédibilité de SPR. « Nous proposons le plus grand événement d'imagerie diagnostique d'Amérique latine, avec des cours, une exposition technique et des partenariats internationaux, apportant la technologie la plus innovante dans le domaine de la radiologie. Il s'agit d'une opportunité unique de mise à jour et de mise en réseau à l'échelle mondiale », souligne Nelson Márcio Gomes Caserta, président de SPR.
Intelligence artificielle en radiologie – Machine Learning, deep learning, algorithmes, chatGPT, modèles fondateurs, apprentissage supervisé. Le glossaire de l'Intelligence Artificielle sera présent dans une grande partie du programme scientifique des JPR 2024. Il y aura des cours sur le sujet dans différents panels, ainsi qu'une réunion spécialement dédiée, qui est la IIIe Rencontre latino-américaine de l'IA en santé, qui aura lieu. rassemblent des médecins radiologues et des spécialistes dans les domaines des technologies de l'information du Brésil, d'Espagne, des États-Unis et du Mexique. Par ailleurs, plus d'une centaine de professionnels de santé et data scientists sont inscrits au 2ème Challenge Intelligence Artificielle,
Le radiologue Felipe Kitamura, directeur de la technologie chez SPR, explique que l'IA a connu des progrès majeurs ces dernières années, la technologie étant appliquée à plusieurs domaines de la radiologie. « L’évolution s’accumule depuis 2012, lorsque les algorithmes ont commencé à devenir performants. Plus récemment, en plus de contribuer aux images, avec le lancement de ChatGPT, les possibilités ont été encore élargies, avec son utilisation, par exemple, dans le texte des rapports », explique Kitamura.
Dans ce contexte, se distingue ce que l'on appelle l'intelligence artificielle multimodale, dans laquelle un certain algorithme ne se limite pas à la simple lecture d'un texte ou d'une image, mais contribue aux deux. En radiologie, nous pouvons avoir un algorithme capable de regarder et de reproduire la lecture d'images, de lire un texte comme l'histoire clinique du patient, de lire les résultats d'analyses de laboratoire, en plus de lire la séquence génétique du patient. Plus c’est multimodal, mieux c’est. « Il existe des travaux montrant que les algorithmes deviennent encore meilleurs lorsqu'ils ont accès à plus d'informations et de différents types », renforce Kitamura. Toujours selon Felipe Kitamura, le défi est d'étendre cette réalité à un plus grand nombre d'hôpitaux et de cliniques. Pour y parvenir, il est nécessaire de surmonter les obstacles techniques, culturels et réglementaires.
L’un des défis techniques consiste à faire fonctionner un algorithme dans une nouvelle institution. « Nous devons garantir que le médecin qui utilise un certain algorithme pourra réellement bénéficier de son utilisation. Si, en effet, dans la réalité clinique d'une institution donnée, il y aura une augmentation de la précision et du fait que le médecin utilise correctement l'outil », ajoute-t-il.
Au niveau culturel, le plus grand défi réside dans l'acceptation par les médecins et leurs patients d'adopter un nouvel outil dans leur vie quotidienne. Concernant les défis réglementaires, pour utiliser cliniquement un nouvel outil, l’approbation d’Anvisa est requise. « Anvisa permet même, si vous créez l'outil au sein de votre propre institution – et que vous le validez là-bas – que cette utilisation ait lieu. Cependant, il ne peut être vendu. C'est une barrière très nécessaire pour garantir la qualité de ce qui est utilisé en routine clinique », explique Kitamura.
Selon l'agence de réglementation américaine, la FDA, un total de 171 dispositifs médicaux ont récemment été activés pour l'intelligence artificielle et l'apprentissage automatique (IA/ML). Parmi ceux nouvellement ajoutés à la liste, 155 sont des appareils dont les dates de décision finale sont comprises entre le 1er août 2022 et le 30 juillet 2023, et 16 sont des appareils de périodes antérieures identifiés grâce à un affinement des méthodes utilisées pour générer la liste. À fin juillet 2023, 79 % des appareils autorisés en 2023 le sont en Radiologie (85), 9 % en Cardiovasculaire (10), 5 % en Neurologie (5), 4 % en Gastro-entérologie/Urologie (4), 2 % en Anesthésiologie (2) et 1 %.
Felipe Kitamura explique que ces outils contribuent à plusieurs parties différentes du flux de travail du radiologue. Ils aident par exemple le médecin prescripteur à choisir le meilleur test à prescrire. « Une fois qu'il a été possible d'aider le médecin prescripteur à prescrire le bon test, s'il en a besoin, l'étape suivante pour le patient consiste à planifier le test. Il existe également des algorithmes qui fonctionnent dans cette partie de la planification, aidant à établir un flux plus efficace.
Le radiologue précise également que, hypothétiquement, si l'agenda du lendemain prévoit vingt patients prévus pour la matinée, il est possible de savoir, par exemple, que trois d'entre eux seront absents. Ensuite, cela vaut la peine de les contacter à l’avance. « Il existe des algorithmes qui peuvent prédire cela. L'établissement peut, s'ils ne viennent pas, programmer d'autres patients à la place, afin de ne pas laisser ce créneau horaire vacant. Cela rend la planification plus efficace et permet à davantage de personnes de passer leurs examens plus tôt, sans temps d'arrêt », dit-il.
L'IA dans la capture d'images – Une fois l’examen d’imagerie programmé, l’IA participe à la capture de l’image. Il existe des algorithmes qui permettent une acquisition plus rapide. « Le patient passant moins de temps dans l'appareil est un confort important. De plus, si l’examen est plus court, le secteur peut organiser davantage d’examens, sur cet appareil, le même jour. Cela a un effet positif sur l’agenda, ce qui est positif pour les radiologues, qui pensaient qu’ils allaient perdre leur emploi à cause de l’IA. En fait, cet algorithme propose le contraire. Dans les appareils où il y avait une demande refoulée, il est possible d'effectuer et de rapporter davantage de tests », se félicite-t-il.
Le temps gagné grâce à l’IA s’explique par le fait que cet outil est capable de supprimer le bruit de l’image. « Lorsque nous ajustons la machine pour qu'elle soit plus rapide, l'image sort avec un peu plus de bruit. L'algorithme supprime ce bruit et l'image – qui reste plus rapide – reste comme si elle était l'originale », détaille-t-il.
L'utilisation de l'intelligence artificielle contribue à la routine clinique des images capturées par les technologies les plus diverses : échographie, tomodensitométrie, résonance magnétique, TEP-CT et autres examens de médecine nucléaire et dans des sous-domaines tels que la neuroradiologie, le diagnostic par imagerie mammaire, entre autres. .
Aider à rédiger et alerter le radiologue – Avec l'intelligence artificielle de ChatGPT, par exemple, il est possible d'accélérer la rédaction et d'améliorer l'édition des textes de rapport, facilitant ainsi la communication avec les autres médecins et le patient. Les examens comportent souvent des conclusions importantes qui ne peuvent passer inaperçues. « Nous avons des algorithmes qui lisent les rapports rédigés par les radiologues, recherchant ces résultats critiques et alertant le clinicien – (écoutez, je sais que vous avez demandé ce test à cause de douleurs à l’estomac. Il n’y a rien à ce sujet, mais nous voyons la possibilité d’une tumeur dans le poumon et nous devons faire un suivi) – Et puis vous garantissez que ce patient ne sollicitera pas cet examen six mois plus tard, avec le cancer déjà répandu dans tout le corps », illustre Kitamura.
SPR promeut le 2ème Challenge Intelligence Artificielle aux JPR 2024 – Pour la deuxième année consécutive, SPR organise le Challenge Intelligence Artificielle. Cette année, le thème est la prédiction de l'âge des personnes utilisant la tomodensitométrie du crâne (TDM). Il s'agit d'une initiative qui a reçu dans cette édition l'inscription de plus d'une centaine de professionnels de la santé et de data scientists du Brésil et d'autres pays qui, à travers la plateforme Kaggle, ont le défi de créer un modèle capable de prédire l'âge du patient grâce à des données calculées. tomographie du crâne. Les participants travailleront sur le défi avec des images offertes par DASA, Unifesp, Rede D'Or et ACCamargo. Les images, classées dans une base de données, ont été anonymisées pour préserver la vie privée de chaque patient. La proposition est de contribuer aux études sur le vieillissement.
Il appartient aux participants, au regard de chaque image tomodensitométrique du crâne, de définir l'âge du patient. « C’est un défi difficile, car le scanner du bloc crânien est une image tridimensionnelle. C'est un niveau de difficulté plus élevé que l'année dernière, dans laquelle nous avons utilisé des images bidimensionnelles (rayons X) », explique Kitamura.
Felipe Kitamura, l'un des coordinateurs du Challenge, explique que seuls les scanners de patients sains ont été sélectionnés. « Il n’y a donc aucune maladie dans ces examens de base de données. Parce que si nous avions des maladies sur ces images, cela pourrait faciliter la définition de l’âge, sur la base des connaissances épidémiologiques. Par exemple, une certaine maladie est plus fréquente chez les personnes âgées ou une autre plus répandue chez les jeunes », explique-t-il.
Pour déterminer avec précision l'âge, on utilisera des algorithmes développés par le participant à partir d'une base de formation qui rassemble plus de 3 000 examens, qui permet un apprentissage automatique, également appelé apprentissage supervisé. « C'est supervisé car l'algorithme a accès à une base de données avec la bonne réponse pour chaque cas », ajoute Kitamura. À partir de là, les participants forment des modèles qui indiquent la réponse dans une base de données dans laquelle la réponse n'est pas fournie et, plus on se rapproche de l'âge réel, plus le score obtenu est élevé.
Outre Felipe Kitamura, le Artificial Intelligence Challenge est également coordonné par Eduardo Farina et Gustavo Corradi. Le résultat sera annoncé le 4 mai, à 18 heures, lors de l'une des séances plénières des JPR 2024.
Service
Conférence de radiologie de São Paulo (JPR 2024)
Date : du 2 au 5 mai 2024
Réalisé par : Société de diagnostic de radiologie et d'imagerie de São Paulo (SPR) et Société nord-américaine de radiologie (RSNA)
Localisation et adresse : Transamerica Expo Center (TEC) : Avenue Dr. Mario Villas Boas Rodrigues, 387, Santo Amaro, São Paulo
Calendrier et inscription ici.
