TL’uberculose tue 1,4 million de personnes chaque année, principalement dans des endroits où la pauvreté et la privation conspirent pour rendre les gens particulièrement vulnérables et incapables d’obtenir des soins vitaux à temps.
Google se joint maintenant à une lutte mondiale pour étouffer la maladie, en utilisant l’IA pour automatiser sa détection – et accélérer le traitement – dans les communautés où les médecins sont rares. Une nouvelle étudier publié mardi dans Radiology, la revue de la Radiological Society of North America, a constaté que son modèle d’IA a fonctionné aussi bien que les radiologues pour détecter la tuberculose sur les radiographies pulmonaires.
Google n’est pas le premier à développer un système d’IA pour détecter la tuberculose, et son outil n’est pas susceptible de faire une brèche dans les taux de mortalité de sitôt. Mais des experts externes ont déclaré que ses premiers résultats sont particulièrement prometteurs compte tenu de leur cohérence entre diverses populations de patients. Le modèle a respecté ou dépassé les normes de performance établies par l’Organisation mondiale de la Santé lorsqu’il a été testé sur des données historiques de patients provenant de Chine, d’Inde, des États-Unis et de Zambie.
publicité
« Contrairement à la plupart des données publiées sur l’IA, l’étude (de Google) était vaste et utilisait différents ensembles d’entraînement, ce qui a montré que leur système est robuste », a déclaré Edith Marom, responsable de l’imagerie thoracique au centre médical Chaim Sheba en Israël.
Marom, qui n’a pas participé à la recherche, a ajouté que les tests de Google ne correspondaient toutefois pas aux circonstances de la vie réelle. Les ensembles de données contenaient des taux de maladie plus élevés que la normale et étaient biaisés vers les patients plus jeunes et capables de supporter des radiographies verticales – des conditions qui rendent généralement les images plus faciles à interpréter. Ses performances ont également chuté parmi les populations plus malades présentant davantage d’anomalies pulmonaires, telles que les patients séropositifs et un groupe de mineurs en Afrique du Sud.
publicité
« Pour être applicable dans le monde entier, il devrait être testé dans des populations à faible prévalence de tuberculose ressemblant aux patients typiques » avec de multiples anomalies dans la poitrine, a déclaré Marom. « Il devra également être testé sur une population plus âgée, généralement rencontrée en milieu hospitalier. »
Des traitements efficaces contre la tuberculose, qui attaque généralement les poumons, sont disponibles depuis longtemps. Mais 90% des cas surviennent dans 30 pays qui manquent souvent de ressources pour dépister efficacement les patients, les isoler et fournir les soins dont ils ont besoin.
Le modèle de Google est conçu pour être utilisé pour le dépistage plutôt que pour le diagnostic. Il analyse les images radiographiques pour déterminer quels patients devraient subir des tests moléculaires de suivi pour confirmer la présence de tuberculose. De tels tests sont coûteux, longs et peu pratiques dans les grands groupes, c’est pourquoi l’OMS a conclu que la radiographie thoracique – augmentée par l’IA – est un outil essentiel dans la lutte contre la maladie.
L’outil de Google évalue les radiographies pulmonaires pour détecter la tuberculose sur une échelle de 0 à 1, le score le plus élevé équivalant à une plus grande probabilité que la maladie soit présente. Dans l’étude, les chercheurs de la société ont calibré l’outil pour recommander des tests de suivi à un seuil de 0,45, ce qui s’est avéré être le bon choix, car il s’est avéré très sensible pour attraper la maladie sans générer de taux élevés de faux positifs.
Les chercheurs ont déclaré que l’un des objectifs primordiaux du travail était d’exposer l’IA à une variété de patients et de circonstances cliniques pour s’assurer qu’elle ne serait pas déclenchée par des variations qui se produisent normalement dans différentes zones géographiques et contextes de soins.
« Nous avons essayé d’être très complets avec la validation de celui-ci pour explorer différentes présentations de la tuberculose, différents fabricants de rayons X et pays », a déclaré Rory Pilgrim, chef de produit pour l’équipe d’IA de Google Health et co-auteur de l’étude. Il a ajouté que le modèle a été formé sur des données où les cas de tuberculose ont été confirmés par des tests moléculaires, plutôt que sur des résultats radiologiques dont la précision diagnostique varie considérablement.
Les chercheurs ont également utilisé une méthode d’entraînement connue sous le nom d’«étudiant bruyant » pour aider à améliorer la capacité du modèle à reconnaître la tuberculose malgré les différentes façons dont elle peut apparaître sur les images radiographiques. Cette technique leur a permis d’exposer l’IA à des données qui n’étaient pas explicitement étiquetées comme positives ou négatives pour la tuberculose. Normalement, les modèles ne sont formés que sur des données explicitement marquées en fonction du résultat d’intérêt, de sorte que ses formateurs peuvent dire au modèle si ses conclusions étaient bonnes ou fausses.
Sous un étudiant bruyant, le modèle utilise sa formation sur des données antérieures pour générer ses propres étiquettes pour les nouvelles images qu’il rencontre. Cela lui permet d’itérer et de s’améliorer sans limiter son exposition aux seuls exemples étiquetés.
« Cela nous a permis de tirer parti de beaucoup plus de données provenant d’une population de dépistage de la tuberculose », a déclaré Sahar Kazemzadeh, une soft de Googleingénieur en logiciel qui a dirigé le développement du modèle. La population en question était constituée de données sur les mineurs sud-africains, dont le niveau de maladie pulmonaire était plus élevé, présentant le modèle d’IA avec un degré de complexité plus élevé.
« Au fur et à mesure que le modèle voit plus d’itérations et de permutations, sa généralisabilité augmente », a déclaré Pilgrim. « Il devient moins étroit » et capable de détecter la tuberculose dans un plus large éventail de circonstances.
Le système d’IA de Google, ainsi que de nombreux autres systèmes similaires, pourrait améliorer considérablement les résultats de la tuberculose et réduire les coûts s’il franchissait des obstacles supplémentaires en matière de tests.
Le prochain défi consiste à examiner ses performances dans un environnement réel. Google poursuit actuellement une étude dans une clinique en Zambie, où la précision des résultats des outils sera mesurée par rapport aux résultats des tests moléculaires pour chaque patient. L’étude devrait être terminée d’ici la fin de l’année.
