![\"French-Figure1\"](\"https:\/\/cifar.ca\/images\/default-source\/news\/french-figure13bf1c18bc1504ba1a51b3121c7e9a6c4.jpg\")
<\/p>\nDes chercheurs ont cr\u00e9\u00e9 un algorithme informatique qui peut d\u00e9tecter la pneumonie dans des images radiologiques avec plus d\u2019exactitude que des radiologues d\u2019exp\u00e9rience et dont la capacit\u00e9 de d\u00e9tection pour 13\u00a0autres pathologies est sup\u00e9rieure \u00e0 celle d\u2019un algorithme ant\u00e9rieur.<\/p>\n
p.p1 {margin: 0.0px 0.0px 0.0px 0.0px; font: 13.0px Helvetica; color: #3abbe3}<\/p>\n
Cette \u00e9tude a mis \u00e0 l\u2019essai les capacit\u00e9s de ChexNet, un algorithme informatique d\u2019apprentissage profond que les chercheurs ont entra\u00een\u00e9 pour d\u00e9tecter 14\u00a0maladies thoraciques par l\u2019analyse d\u2019images radiologiques. L\u2019\u00e9tude a pour objectif d\u2019automatiser la d\u00e9tection de la pneumonie et d\u2019autres pathologies thoraciques.<\/p>\n
Des algorithmes \u00e0 base de r\u00e9seaux neuronaux qui analysent des r\u00e9sultats d\u2019imagerie m\u00e9dicale ont surpass\u00e9 le jugement de sp\u00e9cialistes m\u00e9dicaux dans le diagnostic de plusieurs \u00e9tats qui menacent la vie, comme le cancer de la peau et les h\u00e9morragies. De nouveaux travaux men\u00e9s par Andrew Ng, Boursier associ\u00e9 au sein du programme Apprentissage automatique, apprentissage biologique du CIFAR, ont permis la mise au point d\u2019une technologie qui peut aussi diagnostiquer la pneumonie et 13\u00a0autres maladies thoraciques.<\/p>\n
Chaque ann\u00e9e, aux \u00c9tats-Unis, environ 50\u00a0000\u00a0personnes meurent d\u2019une pneumonie. \u00c0 l\u2019heure actuelle, seuls les radiologues arrivent \u00e0 diagnostiquer cette infection pulmonaire en examinant des images radiologiques du thorax des patients. Toutefois, selon une estimation de l\u2019Organisation mondiale de la sant\u00e9, les deux tiers des gens sur la plan\u00e8te n\u2019ont pas acc\u00e8s aux outils diagnostics ad\u00e9quats ni aux ressources humaines n\u00e9cessaires. Il s\u2019agit d\u2019un obstacle qui emp\u00eache de nombreuses personnes d\u2019obtenir le diagnostic dont elles ont besoin pour traiter la maladie.<\/p>\n
Toutefois, m\u00eame si des radiologues sont disponibles, le diagnostic de certaines pathologies peut se r\u00e9v\u00e9ler particuli\u00e8rement difficile. Par exemple, la pneumonie se manifeste souvent avec d\u2019autres pathologies et, sur une image radiologique, elle peut ressembler \u00e0 certains \u00e9tats b\u00e9nins.<\/p>\n
Cette \u00e9tude am\u00e9liore certains r\u00e9seaux neuronaux ant\u00e9rieurs par la cr\u00e9ation d\u2019un algorithme apte \u00e0 cerner des pathologies thoraciques avec un niveau d\u2019exactitude qui surpasse celui de radiologues aguerris.<\/p>\n
Les chercheurs ont cr\u00e9\u00e9 un algorithme informatique appel\u00e9 CheXNet, un r\u00e9seau neuronal convolutif \u00e0 121\u00a0couches, pour analyser les r\u00e9sultats de radiographies thoraciques frontales. L\u2019extrant de CheXNet est un r\u00e9sultat positif ou n\u00e9gatif pour chacune des maladies en question, et une valeur de probabilit\u00e9 d\u2019un diagnostic positif.<\/p>\n
Pour entra\u00eener, valider et mettre \u00e0 l\u2019essai leur mod\u00e8le, les chercheurs ont exploit\u00e9 une base de donn\u00e9es r\u00e9cente constitu\u00e9e de 112\u00a0120\u00a0radiographies thoraciques frontales de 30\u00a0805\u00a0patients souffrant de 14\u00a0maladies thoraciques diff\u00e9rentes, y compris la pneumonie.<\/p>\n
Pour chaque pathologie thoracique, les chercheurs ont divis\u00e9 al\u00e9atoirement les images radiologiques en trois groupes\u00a0: un premier groupe a servi \u00e0 entra\u00eener le r\u00e9seau, un deuxi\u00e8me groupe a servi \u00e0 la validation et un troisi\u00e8me groupe a servi \u00e0 la mise \u00e0 l\u2019essai du r\u00e9seau. Chacun des patients dans l\u2019ensemble de donn\u00e9es appartenait \u00e0 un seul de ces groupes, m\u00eame s\u2019il avait contribu\u00e9 plusieurs images.<\/p>\n
L\u2019algorithme CheXNet est un r\u00e9seau neuronal convolutif dense o\u00f9 les couches dans un bloc dense sont connect\u00e9es \u00e0 toutes les autres couches dans une configuration \u00e0 propagation avant. Ces connexions denses ont am\u00e9lior\u00e9 le flux d\u2019information \u00e0 travers le r\u00e9seau. L\u2019algorithme utilise aussi la normalisation de lot, un processus \u00e9prouv\u00e9 pour accro\u00eetre la vitesse et l\u2019exactitude.<\/p>\n
Apr\u00e8s avoir entra\u00een\u00e9 CheXNet et valid\u00e9 les r\u00e9sultats, les chercheurs ont mis \u00e0 l\u2019essai leur r\u00e9seau avec 420\u00a0images et ont compar\u00e9 les r\u00e9sultats \u00e0 ceux de quatre radiologues en exercice de l\u2019Universit\u00e9 de Stanford. Ces radiologues ont r\u00e9alis\u00e9 une analyse ind\u00e9pendante des m\u00eames images sans aucune connaissance pr\u00e9alable sur les patients ou l\u2019ensemble de donn\u00e9es. Les chercheurs ont cod\u00e9 un diagnostic pos\u00e9 par un humain ou par CheXNet comme \u00e9tant correct s\u2019il correspondait \u00e0 celui de la majorit\u00e9 des radiologues.<\/p>\n
Les chercheurs ont aussi modifi\u00e9 CheXNet pour identifier les 13\u00a0autres maladies et ont d\u00e9couvert que ses diagnostics fond\u00e9s sur les images radiologiques du m\u00eame grand ensemble de donn\u00e9es surpassaient ceux d\u2019algorithmes existants.<\/p>\n
De plus, les chercheurs ont visualis\u00e9 les r\u00e9sultats de CheXNet en cr\u00e9ant une carte thermique sur les images radiologiques qui indiquait les r\u00e9gions les plus pertinentes pour la classification du diagnostic. Les images radiologiques \u00e0 code-couleur permettent \u00e0 l\u2019examinateur de voir les r\u00e9gions les plus r\u00e9v\u00e9latrices de la pathologie.<\/p>\n
Le mod\u00e8le CheXNet a surpass\u00e9 les capacit\u00e9s de radiologues humains dans la d\u00e9tection de la pneumonie, sur les plans de la sensibilit\u00e9 et de la sp\u00e9cificit\u00e9. Cela veut dire que les diagnostics du mod\u00e8le \u00e9taient justes plus souvent, tant pour les diagnostics positifs que n\u00e9gatifs.<\/p>\n
Apr\u00e8s l\u2019avoir configur\u00e9 pour d\u00e9tecter 13\u00a0autres pathologies thoraciques, CheXNet a aussi surpass\u00e9 les algorithmes de pointe ant\u00e9rieurs.<\/p>\n
<\/p>\n
p.p1 {margin: 0.0px 0.0px 0.0px 0.0px; font: 13.0px Helvetica; color: #3abbe3}<\/p>\n
Le mod\u00e8le CheXNet pourrait contribuer \u00e0 l\u2019\u00e9tablissement de diagnostics justes plus rapidement sans avoir recours \u00e0 un radiologue d\u2019exp\u00e9rience. L\u2019automatisation de ce processus contribuerait \u00e0 l\u2019acc\u00e9l\u00e9ration du processus diagnostic en clinique et aiderait ainsi les patients \u00e0 obtenir un diagnostic et un traitement plus rapidement. Par exemple, dans le cas de la pneumonie, CheXNet pourrait poser un diagnostic rapidement et permettre un traitement pr\u00e9coce pour pr\u00e9venir les complications et la mort.<\/p>\n
CheXNet pourrait aussi combler le besoin d\u2019un diagnostic de sp\u00e9cialiste dans les nombreux endroits sur la plan\u00e8te o\u00f9 il y a p\u00e9nurie de radiologues. De la sorte, il pourrait contribuer \u00e0 la prestation de soins de sant\u00e9 \u00e0 des populations vuln\u00e9rables.<\/p>\n
Cette \u00e9tude illustre non seulement les possibilit\u00e9s qu\u2019offre le diagnostic automatis\u00e9 de la pneumonie, mais aussi de 13\u00a0autres pathologies thoraciques, y compris la cardiom\u00e9galie, l\u2019\u0153d\u00e8me, l\u2019emphys\u00e8me et la hernie.<\/p>\n
De plus, les chercheurs pourraient ajuster la technologie pour permettre des diagnostics encore meilleurs. Dans cette \u00e9tude, les radiologues et CheXNet ont limit\u00e9 leur analyse \u00e0 des images radiologiques frontales. Toutefois, il serait possible de modifier l\u2019algorithme pour qu\u2019il interpr\u00e8te aussi des images lat\u00e9rales des patients et accro\u00eetre en retour l\u2019exactitude du diagnostic de 15\u00a0pour cent.<\/p>\n