+33 04 97 10 07 10 Lun-Ven: 9.00 - 19.00 - Sam: 9:00 - 17:00

AzurVet a lu pour vous 12/20 : IA et radiologie thoracique

Par Laurent COUTURIER, DipECVDI (service d'imagerie)
 
Artificial intelligence evaluating primary thoracic lesions has an overall lower error rate compared to veterinarians or veterinarians in conjunction with the artificial intelligence.
Emilie Boissady, Alois de La Comble, Xiaojuan Zhu, Adrien-Maxence Hespel. Vet Radiol Ultrasound. 2020 Nov;61(6):619-627.
 
Résumé :
 
La publication dont il est question ici étudie trois différents système d'intelligence artificielle (IA) entraînées à reconnaitre une quinzaine de lésions thoraciques primitives (parmi lesquelles : dilatation atriale G, masse pulmonaire, pneumothorax, lésion alvéolaire, collapsus trachéal). Les algorithmes ont ensuite été transposés sur plus de 20000 radiographies thoraciques pour réaliser un apprentissage spécifique. Le Gold standard est un rapport d'interprétation convergent entre trois vétérinaires spécialistes en imagerie. Enfin, a set supplémentaire de 120 radiographies ont été analysées successivement par 3 groupes distincts :
  • groupe 1 : l'IA la plus performante seule
  • groupe 2 : Un groupe de vétérinaires généralistes
  • groupe 3 : L'association IA + groupe de vétérinaires généralistes.
Cette étude rapporte un taux d'échec diagnostique supérieur pour les groupes 2 et 3 en comparaison du groupe 1 avec un taux de succès  pour l'IA (groupe 1) supérieur dans certaines affections : dilatation atriale G et opacification de type bronchique. En revanche, l'IA ne permet pas un diagnostic précis dans de nombreux types lésionnels et ne permet que de détecter la lésion sans davantage de spécificité. 
 
Discussion : 
 
En médecine humaine, l'IA est plus largement utilisée pour effectuer un premier tri des examens d'imagerie et détecter des anomalies assez évidentes comme un pneumothorax, des fractures, des AVC en IRM ou des lésions de tuberculose. Ce type d'outil fluidifie le flux d'examens, souvent réalisé en très grand nombre et dont la limite est le délai d'interprétation par un radiologue.  L'IA est même plus performante que l'oeil du radiologue dans certaines affections comme la détection précoce de cancer du sein dans une étude.
La problématique est différente en médecine vétérinaire. Le client demande à son vétérinaire généraliste d'être un "omnipraticien" ultra-performant dans toutes les disciplines (de la médecine à la chirurgie en passant par l'imagerie) ce qui n'est évidemment pas possible en pratique. Certaines lésions radiographiques sont ainsi parfois mal ou pas du tout reconnues par le praticien dont ce n'est pas le coeur de métier et conduisent à des erreurs diagnostiques voire thérapeutiques. Le développement de la téléradiologie avec des interprétations réalisées par des vétérinaires spécialistes a ouvert plus largement l'accès aux spécialistes en imagerie aux vétérinaires dont l'interprétation radiographique pose problème. L'IA vétérinaire qualifiée d"idéale"  doit donc plutôt répondre à un cahier des charges spécifique :
  • Screening complet des radiographies sans "spécialisation" du système d'IA sur un seul type lésionnel (exemple : détection exclusive d'un nodule)
  • Etre capable de détecter plusieurs types lésionnels de façon simultanée et les localiser (ex : atteinte du coeur, du poumon, atteinte mixte lors de cardiomégalie et d'OAP...)
  • Reconnaître le type d'anomalie (ex : différencier les types d'opacification pulmonaire)
  • Double lecture systématique pour limiter les faux négatifs

Plusieurs biais existent dans cette étude :

  • Les vétérinaires ont interprété les images sans avoir connaissance du contexte clinique (en aveugle) et que leur interprétation aurait pu être différente. Mais le but était de comparer l'interprétation radiographique entre l'IA et le vétérinaire dans un contexte identique, ie sans connaissance de l'historique du patient.
  • Les radiographies soumises à l'interprétation (IA et vétérinaires) sont issues de nombreuses cliniques avec parfois des différences en terme de qualité, pouvant influencer la pertinence de l'interprétation.
  • Les vétérinaires n'étaient pas informés du fait que le taux d'erreur de l'IA pour identifier les lésions est très faible. Il est probable que les vétérinaires ne faisaient pas confiance à l'IA pour les aider ce qui peut expliquer le mauvais résultat du groupe 3.
Certaines solutions commencent à voir le jour en médecine vétérinaire et l'IA n'en est qu'à ses débuts. A titre d'exemple, Picoxia est l'une d'entre elles.

Conclusion : soyons positifs : des outils d'IA performants vont voir le jour dans les prochaines années à l'instar de la médecine humaine et ils seront une aide précieuse lors de doute sur la nature d'une lésion. Evidemment, l'interprétation dans le contexte médical du patient restera 

  

 

blue
dark
green
red