Selon les ingénieurs, l’utilité clinique, et non la “jolie”, meilleure mesure pour évaluer les améliorations de l’IA dans l’imagerie médicale

L’imagerie médicale joue un rôle essentiel dans le diagnostic et le traitement d’un éventail de conditions. Des rayons X pour voir un os cassé ou une cavité dentaire aux scans SPECT pour repérer les malformations cardiaques, les médecins utilisent l’imagerie médicale pour regarder à l’intérieur du corps, trouver une maladie et la traiter de manière appropriée. Mais que se passe-t-il lorsque ces images ne sont pas claires ?

Les progrès récents de l’intelligence artificielle ont ouvert la porte à l’utilisation de méthodes basées sur l’IA pour débruiter ou nettoyer les images médicales. Cependant, avant que ces outils puissent être utilisés en milieu clinique pour de vrais soins aux patients, ils doivent être rigoureusement évalués, a déclaré Abhinav Jha, professeur adjoint de génie biomédical à la McKelvey School of Engineering et de radiologie au Mallinckrodt Institute of Radiology (MIR) à l’École de médecine, toutes deux à l’Université de Washington à Saint-Louis.

Dans une étude publiée dans Physique médicale, Jha et des collaborateurs de MIR ont évalué une approche basée sur l’IA couramment utilisée pour débruiter les images SPECT cardiaques. L’équipe a évalué les performances de l’approche de deux manières : dans quelle mesure les images débruitées étaient-elles visuellement similaires aux images normales et dans quelle mesure l’image débruitée s’est-elle bien comportée dans la tâche cliniquement pertinente de détection des malformations cardiaques ?

“Assez alarmant, alors que les mesures basées sur la similarité visuelle suggéraient que la technique de débruitage basée sur l’IA améliorait les performances, elle n’avait en fait aucun impact significatif, et dans certains cas, elle dégradait même les performances sur les tâches cliniques”, a déclaré Jha. “Cela souligne le besoin important d’effectuer une évaluation des algorithmes d’IA sur des tâches cliniques et de ne pas se fier uniquement à la similarité visuelle comme mesure de performance.”

Dans l’étude, le premier auteur Zitong Yu, étudiant au doctorat dans le laboratoire de Jha, a découvert que la technique de débruitage de l’IA avait tendance à lisser les images SPECT cardiaques, ce qui réduisait le bruit comme prévu, mais réduisait également le contraste de l’anomalie cardiaque que les médecins doivent faire. diagnostics précis. “C’est précisément ce que nous voulons empêcher de se produire dans la pratique médicale réelle”, a déclaré Yu.

L’étude préconise une évaluation basée sur les tâches des méthodes de débruitage basées sur l’IA pour évaluer l’utilité des images traitées par l’IA. « S’assurer que le débruitage basé sur l’IA fonctionne bien pour les tâches cliniques réelles, et pas seulement sur le plan esthétique, signifierait de grands avantages pour les patients en produisant des images de haute qualité en moins de temps ou avec des doses de rayonnement réduites », a déclaré le collaborateur Robert J. Gropler, professeur de radiologie et vice-président principal et directeur de division des sciences radiologiques au MIR.

Jha et son équipe ont développé une nouvelle technique de débruitage dans cette direction, et leur présentation sur ce sujet a reçu une mention honorable au congrès SPIE Medical Imaging. Jha a également dirigé une équipe multi-institutionnelle et multi-agences chargée de développer un cadre d’évaluation des méthodes d’imagerie médicale basées sur l’IA. Leurs lignes directrices, Recommendations for Evaluation of AI for Nuclear Medicine (RELANCE), ont été publiées en 2022 et ont éclairé ces dernières recherches.