Le deep learning mène à la détection automatisée des hémorragies cérébrales

24 octobre 2019 à 17h00
8
03E8000007222400-photo-h-getty-images-cerveau-retaillee.jpg

Une équipe de recherche a conçu un réseau neuronal qui permet de détecter avec une précision de 99 % les hémorragies cérébrales. L'outil pourrait se révéler d'une aide précieuse pour repérer des anomalies parfois indécelables par l'être humain.

« PatchFCN » est le nom donné au réseau neuronal développé conjointement par les chercheurs de l'Université de Californie à Berkeley et l'École de médecine de l'Université de Californie à San Francisco.

Un système plus précis et rapide que les radiologues les plus expérimentés

Dans un article, les équipes de recherche expliquent avoir « utilisé un réseau neuronal en une seule étape, de bout en bout, entièrement convolutif, pour atteindre des niveaux de précision comparables à ceux de radiologues hautement qualifiés, y compris l'identification et la localisation d'anomalies qui ne sont pas détectées par les radiologues ».

Et les résultats sont plus qu'encourageants. « PatchFCN » affiche aujourd'hui une précision de 99 %, ce qui est la valeur la plus haute jamais constatée pour la détection d'hémorragies cérébrales.


Une technologie qui pourrait augmenter le nombre de patients diagnostiqués

Pour réussir cette prouesse, le réseau, fonctionnant grâce à des GPU NVIDIA V100 Tensor Core et les services de Cloud computing d'Amazon Web Services, a été alimenté par 4 000 tomodensitogrammes.

Des algorithmes ont ensuite traité les données mais les chercheurs ont préféré découpé les différents éléments en segments, avant de les recomposer pour donner au modèle d'analyse une plus grande finesse dans la reconnaissance d'image.

Chaque image peut être aujourd'hui traitée par le système d'intelligence artificielle en seulement quelques secondes. En plus de la simple détection, « PatchFCN » fournit un suivi et des mesures détaillées de chaque hémorragie.


Comme pour chaque système médical qui utilise l'intelligence artificielle, il se destine plutôt à être une assistance pour les médecins qu'un dispositif autonome de détection des hémorragies. « PatchFCN » pourra néanmoins, à terme, accélérer drastiquement le temps d'analyse et permettra aux praticiens de travailler plus efficacement et de traiter plus de patients.

Source : Neowin

Mathieu Grumiaux

Grand maître des aspirateurs robots et de la domotique qui vit dans une "maison du futur". J'aime aussi parler films et séries sur les internets. Éternel padawan, curieux de tout ce qui concerne les n...

Lire d'autres articles

Grand maître des aspirateurs robots et de la domotique qui vit dans une "maison du futur". J'aime aussi parler films et séries sur les internets. Éternel padawan, curieux de tout ce qui concerne les nouvelles technologies.

Lire d'autres articles
Vous êtes un utilisateur de Google Actualités ou de WhatsApp ? Suivez-nous pour ne rien rater de l'actu tech !
google-news

A découvrir en vidéo

Rejoignez la communauté Clubic S'inscrire

Rejoignez la communauté des passionnés de nouvelles technologies. Venez partager votre passion et débattre de l’actualité avec nos membres qui s’entraident et partagent leur expertise quotidiennement.

S'inscrire

Commentaires (8)

iksarfighter
Le problème qui restera sera celui du temps écoulé entre le début de l’AVC et la sortie du résultat du scanner. Car sans ce dernier on ne peut pas commencer à traiter l’AVC.
Blues_Blanche
L’IA a une grosse capacité d’apporter des solutions en imagerie médicale.
benben99
Cela ne mérite pas vraiment une nouvelle. Ok, on applique deep learning au lieu de SVM ou random forest et on obtient peut-être 3 % de plus de accuracy pour le domaine X. So what? C’est un peu mieux, mais rien de vraiment révolutionnaire. On le sait déjà que deep learning est une bonne technique pour classifier des images. S’il faut faire un article pour chaque domaine ou on classifie des images et obtien quelques pourcents de plus, on n’a pas fini!<br /> Demain: le deep learning classifie des images de genoux avec 98 % de précision au lieu de 97.5 %<br /> Après-demain: le deep learning classifie des images de loutres avec 96% au lieu de 95 %. On écrit un autre communiqué de presse et on en fait une nouvelle, et des chercheurs vont publier un article scientifique pour décrire cette “avancée”.
ZorgTheBoss
Comme tu le remarque si bien, il s’agit ici de classifier des hémorragies cérébrales, pas des genoux ou des loutres. La précision du diagnostique et la rapidité de prise en charge sont cruciaux. Je ne connais pas (toi non plus?) la précision des autres méthodes de classification mais même une amélioration de 95% à 98% est une avancée vitale (pour les 3% correctement vs incorrectement diagnostiqués…) et remarquable car s’approcher de si près d’un diagnostique parfait est en soi une information inintéressante, car elle prouve les capacités et avancées permises par le deep learning.<br /> Donc pour moi ça vaut une nouvelle et je continue à lire Clubic avec plaisir !
jeep1932
interessant
kiwi5
j’imagine que c’est plus pour les TIA (je ne suis pas sur que c’est l’acronyme francais) ou dans les instances de prevention- a partir d’un certain age, si on suit des traitements anticoagulants ect
kiwi5
bof moi j’aime bien ce genre d’article , ca changes des habitels articles de fear-mongering sur ouh la technologie va vous tuer ou on vous espionne (alors qu’on met tout nous meme en ligne) - ce n’est que le debut aussi
dowst
Le taux de fiabilité est d’autant plus crucial qu’une pathologie est rare. Par exemple une pathologie qui touche une personne sur mille et pour laquelle on a un test de dépistage fiable à 95% ne signifie pas que si on est diagnostiqué positif on a 95% d’être infecté. En fait dans ce cas là on a que 2% de chance d’être infecté. Donc dans certains cas ça ce genre d’avancée n’est absolument pas anecdotique.
Voir tous les messages sur le forum
Haut de page