Le modèle d'intelligence artificielle peut distinguer la pneumonie et le COVID-19 des radiographies pulmonaires

Une équipe de recherche de l'Université polytechnique de Valence (UPV), du CVBLab, a développé un modèle d'intelligence artificielle prédictive qui peut faire la différence entre les patients en bonne santé, ceux qui sont atteints de pneumonie et ceux qui ont COVID-19, à partir de radiographies pulmonaires .

Selon Valery Naranjo, professeur à l'UPV et directeur du CVBLab, le modèle proposé s'est révélé avoir de grandes capacités discriminatoires dans les premières expériences, atteignant un taux de réussite moyen de 92% lors de la différenciation entre les différents types de patients.

L'algorithme se comporte encore mieux lors de la prévision de cas de coronavirus; son taux de réussite est légèrement meilleur par rapport aux autres cas: il a un taux de réussite de 97% pour déterminer si une radiographie provient d'un patient COVID. « 

Valery Naranjo, professeur à l'UPV et directeur du CVBLab

Le groupe de recherche CVBLab de l'UPV possède une vaste expérience dans le domaine de l'intelligence artificielle et leur spécialité est le développement d'algorithmes de vision par ordinateur appliqués aux images biomédicales. « C'est pourquoi nous mettons nos connaissances au service de la lutte contre cette pandémie », conclut Julio Silva, ingénieur biomédical et également membre du CVBLab de l'UPV.

Pour développer le modèle de prédiction, les ingénieurs du CVBLab ont appliqué des techniques de classification et de segmentation basées sur des algorithmes d'apprentissage profond sur un grand nombre d'images radiographiques. En ce sens, Valery Naranjo explique qu'il y a beaucoup plus de rayons X de personnes en bonne santé et de patients atteints d'autres pneumonies qu'avec COVID-19, « en raison de sa récente et parce que de nombreuses bases de données ne sont pas open source, ce qui représente une difficulté supplémentaire Le modèle que nous avons développé résout ce déséquilibre classe-patient et permet d’offrir des résultats fiables et robustes. « 

Le groupe CVBLab dispose déjà d'une version initiale de la plateforme informatique qui intègre le modèle de prédiction, il est donc possible de charger une radiographie pulmonaire et de prédire instantanément s'il s'agit d'une image d'une personne en bonne santé, d'un patient atteint de pneumonie ou de coronavirus.

Conception innovante

Le modèle d'intelligence artificielle du CVBLab-UPV présente des nouveautés clés dans la conception de l'architecture du réseau de neurones. En particulier, il est basé sur des techniques de transfert de connaissances combinées à d'autres blocs convolutifs résiduels qui agissent en parallèle pour extraire les caractéristiques des radiographies pulmonaires.

Cette nouvelle conception, adaptée au type d'image étudiée, a permis d'obtenir des résultats initiaux de sensibilité et de spécificité de 97%. « 

Gabriel García, ingénieur biomédical et chercheur au CVLab de l'UPV

Système CBIR

Dans le même temps, les chercheurs développent un nouveau système de récupération d'images basé sur le contenu (CBIR) basé sur des réseaux neuronaux génératifs. L'idée de ce système est que, lors de la réception d'une nouvelle image radiographique, ainsi que de l'obtention d'une prédiction sur le diagnostic, les cas antérieurs les plus similaires d'une base de données importante et en croissance constante seront fournis. « Les zones pulmonaires affectées des archives des cas les plus similaires sont représentées avec une carte thermique très intuitive pour le personnel expert qui l'utilise. Ainsi, le médecin dispose de plus de données pour prendre une décision. C'est comme lorsqu'il cherche quelque chose dans un atlas, mais automatiquement », explique Adrián Colomer, docteur en télécommunications et chercheur au CVBLab de l'UPV.

Bases de données internationales

Pour créer leurs modèles, les chercheurs CVBLab de l'UPV ont compilé des bases de données publiques de différentes institutions, et les ont normalisées dans un cadre commun, ce qui permet de former et tester leurs modèles.

Parmi les bases de données compilées figurent celle fournie sur la plateforme open source BIMCV-COVID-19 coordonnée par FISABIO, une de l'Université de Montréal, une autre de la Società Italiana di Radiología Medica e Interventistica et une fournie par Kaggle dans leur « Chest X- » Ray Images (Pneumonie) « .

Vous pourriez également aimer...