RapidRead Technology

Technologie RapidRead

L’intelligence artificielle (IA) fait indéniablement partie de notre quotidien. En tant que vétérinaires, nous avons la responsabilité de nous renseigner sur l’IA et sur l’impact qu’elle aura sur nos pratiques et les soins de nos patients.
Cet article explique l’apprentissage automatique dans le contexte du diagnostic par imagerie vétérinaire et examine comment l’AIS occupe une position unique pour développer un produit d’IA solide et précis.

Article rédigé par Diane U. Wilson, DVM, DACVR (août 2023, mis à jour en mars 2024)

L’intelligence artificielle chez Antech Imaging Services

Nous pensons connaître l’intelligence artificielle (IA) et l’apprentissage automatique (ML). Après tout, nous le rencontrons quotidiennement dans nos activités de la vie quotidienne. L’intelligence artificielle peut s’avérer pratique lorsqu’elle cible des sujets d’actualité adaptés à nos intérêts sur nos appareils électroniques. Nous pourrions trouver cela ennuyeux, voire même une atteinte à la vie privée, lorsqu’il cible des publicités marketing sur nos recherches Internet les plus courantes. Nous sommes fascinés lorsque notre appareil Alexa, Cortana ou Google peut apparemment tenir une conversation avec nous. Nous pouvons être enthousiasmés par la perspective de la manière dont l’IA pourrait améliorer notre qualité de vie et, en même temps, craindre qu’elle puisse un jour atteindre la conscience et commencer à prendre des décisions qui peuvent être catastrophiques, comme dans certains scénarios de films hollywoodiens. En nous préparant à interagir davantage avec l’IA en médecine vétérinaire, nous devons résoudre ce conflit entre optimisme et pessimisme. Pour ce faire, nous devons d’abord comprendre la différence entre l’apprentissage automatique génératif et discriminatif.

Apprentissage automatique

Dans les modèles (ou algorithmes) d’apprentissage automatique génératifs, la machine peut créer des solutions non programmées auparavant. Un exemple est le chatbot, ChatGPT, qui peut apprendre, créer et faire évoluer des conversations au fur et à mesure de son utilisation. Alors que, dans les modèles d’apprentissage automatique discriminants, la machine résout les informations uniquement en classifications pour lesquelles elle est programmée. Autrement dit, il identifie et catégorise uniquement ce pour quoi il a été initialement formé. Un modèle d’apprentissage discriminant ne peut pas évoluer vers quelque chose de plus. Actuellement, AIS utilise uniquement des modèles discriminants pour les techniques d’apprentissage automatique. (Figure 1)

Que vous soyez optimiste ou pessimiste, l’IA est déjà largement utilisée en médecine vétérinaire. Comme dans d’autres domaines de la vie quotidienne, l’utilisation de l’intelligence artificielle peut être transparente pour l’utilisateur. Que l’utilisateur final soit un médecin généraliste, un technicien vétérinaire ou un spécialiste, il n’est pas évident que l’intelligence artificielle ait été utilisée, en tout ou en partie, pour atteindre un objectif. Parfois, l’IA est utilisée pour assister un autre programme dans le flux de travail ou pour aider un spécialiste à fournir des informations de diagnostic. Plus rarement, l’IA effectue un test de diagnostic complet sans intervention humaine.

Comme toute nouvelle technologie, l’IA doit être respectée pour la technologie naissante qu’elle est. En tant que développeurs et utilisateurs, nous avons la responsabilité de nous renseigner sur les capacités et les limites de la machine. Les utilisateurs finaux doivent comprendre les différences entre les nouveaux outils et les outils traditionnels sur lesquels nous nous appuyons actuellement. Les développeurs doivent réfléchir pleinement et cartographier les implications du nouvel outil. Cela signifie non seulement se concentrer sur les avantages qu’elle apporte, mais aussi évaluer pleinement les dommages qu’elle pourrait causer et prendre des mesures responsables pour les atténuer.

Trois composants principaux sont nécessaires pour créer un outil d’IA solide et précis. La création de modèles d’IA nécessite d’énormes quantités de données, des spécialistes du domaine et des data scientists. Antech Imaging Services (AIS) et Mars sont particulièrement bien placés pour rassembler tous les composants nécessaires pour créer des outils de diagnostic d’IA afin d’améliorer le débit des patients, d’accélérer l’information au point de service et d’améliorer la médecine vétérinaire pour les animaux de compagnie, les clients, les vétérinaires et les techniciens.

L’intelligence artificielle est déjà présente en médecine vétérinaire

Les flux de travail sont améliorés chaque jour grâce à l’IA. L’intelligence artificielle s’attaque à des tâches banales telles que les mesures instantanées de la taille du cœur vertébral, les mesures linéaires et volumétriques, l’orientation des images pour la visualisation, ainsi que l’identification et le comptage mécanique des cellules sur une lame. Cela permet aux spécialistes, aux vétérinaires et aux techniciens de concentrer l’attention humaine là où elle est le plus nécessaire : sur le patient.

Les rapports sont créés en quelques secondes et envoyés aux praticiens de plusieurs spécialités, permettant ainsi aux prochaines étapes des soins aux patients de se produire plus tôt. Les rapports générés par la machine font gagner du temps aux praticiens lors de la rédaction du dossier médical et permettent en outre de concentrer leur attention sur les patients et les clients.

En pathologie, l’IA reconnaît et compte les figures mitotiques et peut différencier les types de tissus pour aider les pathologistes dans leur flux de travail. En cardiologie, l’apprentissage automatique est utilisé pour lire des électrocardiogrammes et fournir des informations au praticien en quelques minutes. Ceci est précieux pour les bilans pré-anesthésiques où des informations opportunes aident les praticiens à prendre des décisions quant à l’opportunité de procéder à des interventions chirurgicales électives et si des précautions particulières sont nécessaires lors d’interventions chirurgicales urgentes. En médecine humaine, l’IA est utilisée pour surveiller les patients pendant l’anesthésie. Les anesthésiologistes vétérinaires ont exprimé leur intérêt pour que l’IA surveille nos patients vétérinaires.

L’apprentissage automatique doit être effectué de manière responsable

Comme indiqué précédemment, il est crucial que les utilisateurs finaux et les développeurs soient informés et comprennent les implications positives et négatives d’un outil d’IA donné. Il existe trois exigences principales pour développer des modèles solides et précis. Il s’agit d’énormes quantités de données, de data scientists et d’experts du domaine. Nous les aborderons du point de vue de l’imagerie diagnostique.

Des quantités massives de données sont nécessaires pour former un modèle sur chaque résultat. Sans données, nous ne pouvons pas affirmer de manière fiable des allégations d’exactitude, de sensibilité et de spécificité. Chez les humains, nous disons qu’une personne est experte dans un résultat d’imagerie particulier lorsqu’il existe une expérience d’au moins 500 cas de ce résultat. Malheureusement, il n’est pas possible pour une machine d’apprendre.
Chez AIS, nous avons déterminé que nous pouvons être sûrs du niveau mesuré d’exactitude, de sensibilité et de spécificité d’un modèle pour un résultat particulier, lorsque le modèle a rencontré quatre à cinq mille instances de ce résultat. Pour les résultats courants, comme un schéma bronchique pulmonaire, le nombre de cas nécessaire pour garantir l’exactitude peut être facile à acquérir. Pour les résultats moins courants tels que la discospondylarthrite, cela peut prendre plus de temps et nécessiter une collaboration entre plusieurs groupes pour obtenir le nombre de cas nécessaire pour entraîner le modèle en toute confiance.

En plus des nombreux cas nécessaires pour entraîner le modèle, de nombreux autres cas d’un résultat particulier sont nécessaires pour tester le modèle. Une fois qu’un modèle est jugé précis sur un résultat particulier et peut donc être utilisé comme outil de diagnostic dans les hôpitaux, le modèle doit être testé périodiquement pour garantir une précision continue et qu’aucune dérive ne s’est produite. La dérive se produit lorsqu’il y a des changements subtils dans l’environnement, tels que des changements/améliorations de l’équipement au fil du temps, des changements dans l’espace électronique, des changements/avancées techniques, etc. Chaque fois qu’un modèle pour un résultat donné est testé, de nombreux autres cas avec ce résultat sont nécessaires pour évaluer en toute confiance l’exactitude, la sensibilité et la spécificité et procéder aux ajustements nécessaires. Si des ajustements sont effectués, davantage de données sont nécessaires pour tester ces ajustements.

Des experts du domaine (spécialistes certifiés) sont nécessaires pour former et mesurer la précision de chaque modèle. Les radiologues (pathologistes, cardiologues, dentistes, etc.) passent des heures à étiqueter les images et à proposer des données corrigées à utiliser pour entraîner, évaluer et recycler la machine. De plus, il est nécessaire d’inclure une équipe d’experts du domaine pour qu’un consensus puisse être atteint, et la machine n’est pas formée sur l’opinion d’un seul individu. Des enquêtes tierces doivent être utilisées pour valider l’exactitude des cas connus.

Les data scientists constituent la base de l’équipe de programmation nécessaire au développement d’algorithmes de modèles. Les meilleures équipes comprennent des data scientists ayant une vision du produit, une solide collaboration avec des experts du domaine et une connaissance des besoins des utilisateurs finaux. Une équipe diversifiée avec des sous-spécialités uniques (segmentation, régression, analyse de données, divers logiciels) ainsi qu’une solide compréhension de tous les aspects de la science des données constituent une équipe des plus robustes, capable de surmonter les obstacles avec des solutions créatives.

L’IA à l’AIS

AIS et Mars occupent une position unique avec un accès interne aux trois exigences majeures pour développer un produit d’IA solide et précis. AIS propose des services de téléradiologie depuis 1999. Avec 24 ans de rapports de radiologues certifiés et environ 8 milliards d’images stockées, d’énormes quantités de données sont facilement disponibles. De nombreux cas bénéficient d’un suivi hospitalier et de rapports de pathologie avec un diagnostic définitif.

Quinze radiologues certifiés de l’équipe AIS AI travaillent sans relâche pour étiqueter les images, fournir des commentaires sur les évaluations de l’IA et maintenir le contrôle de la qualité des rapports d’études pilotes afin de garantir que les soins aux patients restent primordiaux. L’équipe Mars Science and Diagnostics Next Generation Technologies comprend l’équipe financée par l’AIS et composée de dix scientifiques des données, chacun possédant une vaste expérience, un ensemble unique de qualifications et une large compréhension de l’apprentissage automatique.

Le résultat est la radiologie RapidRead d’AIS, qui fait l’objet d’études pilotes depuis près de deux ans aux États-Unis et en Europe. Avec l’aide des hôpitaux familiaux de Mars et des hôpitaux familiaux non-Mars qui participent aux études pilotes, RapidRead Radiology est devenu un outil de diagnostic robuste offrant une consultation de niveau expert pour de nombreux résultats en quelques minutes. Au cours des études pilotes, RapidRead s’est révélé utile aux médecins généralistes, aux spécialistes et aux médecins de nuit et d’urgence. RapidRead Radiology évalue actuellement plus de 50 résultats dans le thorax, l’abdomen et les membres des chiens et des chats (Figure 2), sans qu’aucun résultat ne soit publié à moins qu’il ne soit prouvé qu’il est au moins 95 % aussi précis que le consensus de notre équipe de spécialistes certifiés. radiologue.

L’application clinique d’une liste de résultats signifie que plusieurs résultats différents peuvent être présents dans un rapport donné. Chaque résultat individuel peut avoir une précision d’au moins 95 % ; il faut toutefois tenir compte de la contribution globale du rapport en matière d’information à l’affaire.

Les statistiques actuelles de contrôle qualité d’AIS démontrent que l’outil RapidRead répond de manière adéquate à la question clinique associée à un cas donné dans 82 % des cas lorsqu’il est utilisé seul et sans la surveillance d’un radiologue. Lorsque la surveillance d’un radiologue est utilisée avec l’examen RapidRead, le nombre de rapports apportant des informations significatives sur un cas augmente jusqu’à 92 %. Les 8 % restants des cas soumis ne conviennent pas à l’examen RapidRead, car l’IA n’est pas formée pour la partie du corps, l’espèce ou la modalité dans les images soumises. (Figure 3)

La précision des radiologues a été rapportée à environ 96 % (taux d’erreur de seulement 4 %). Pour cette raison, AIS met en œuvre un système solide de contrôle qualité avec des radiologues certifiés facilement informés grâce à un examen quotidien de la qualité des cas soumis, au routage automatique des résultats émergents pour examen par le radiologue et à une soumission en un clic pour demander un examen par un radiologue. Lorsque l’outil RapidRead est utilisé correctement et en conjonction avec une surveillance rigoureuse du radiologue, la contribution d’informations utiles pour le cas et l’exactitude approchent les 100 %.

Malgré le niveau élevé d’accord entre RapidRead et les rapports de lecture des radiologues, la compréhension de l’utilisation appropriée de l’IA pour générer des rapports de radiologie reste le facteur déterminant de l’utilité d’un tel outil pour une clinique individuelle. Étant donné la similitude d’apparence et de « sensation » entre le rapport RapidRead (Figure 4) et celui d’un radiologue, il est facile de croire que RapidRead est l’équivalent d’un « radiologue mécanique » évaluant toutes les anomalies possibles, tout comme un radiologue. Cependant, c’est loin d’être le cas. Un modèle d’intelligence artificielle n’évaluera que les résultats pour lesquels il a été formé. Par exemple, en examinant la liste des résultats de RapidRead (Figure 2), il est évident que le contrôle de grossesse (nombre de chiots) ne figure pas sur la liste. Soumettre une consultation à RapidRead dans l’espoir de savoir si la patiente est enceinte ou combien de chiots sont présents ne fournirait pas d’informations utiles. Considérez l’analogie entre une formule sanguine complète (CBC) et un panel de chimie. Nous ne soumettrions pas de CBC en espérant recevoir des informations sur les enzymes hépatiques, car nous comprenons que les niveaux d’enzymes hépatiques ne font pas partie de l’outil de test CBC. Environ 8 % des cas soumis à RapidRead ne peuvent pas être évalués par la machine. Autrement dit, une partie du corps, une espèce ou une modalité est incluse pour laquelle la machine n’est pas encore entraînée.

Il est également important de se rappeler la différence entre les modèles d’IA discriminants et génératifs décrits plus haut dans cet article et que RapidRead est construit avec des modèles de programmation d’IA discriminants, et non des modèles génératifs. Il n’est pas programmé pour un apprentissage indépendant. Par conséquent, soumettre des images d’une partie du corps ou d’une espèce actuellement non évaluée par RapidRead et s’attendre à ce qu’elle « apprenne » de ces images ne serait pas non plus utile.
D’autre part, RapidRead est largement formé aux résultats répertoriés dans la figure 2. Par exemple, si nous cherchons à savoir si un patient présente des modifications cardiaques ou pulmonaires qui pourraient contre-indiquer une anesthésie ou si nous cherchons à déterminer si un patient présentant des signes gastro-intestinaux est obstrué, alors RapidRead est un outil très utile pour accélérer les informations de niveau expert jusqu’au point de service. en quelques minutes (contre des heures ou des jours pour les lectures traditionnelles d’un radiologue).

Conclusion

L’intelligence artificielle est entrée dans notre vie quotidienne à un rythme passionnant, voire alarmant. Comme pour toute nouvelle technologie, il y a une période d’apprentissage et d’adaptation. Avec la connaissance peut venir la compréhension, souvent suivie par l’assimilation. L’utilisation de l’IA en médecine vétérinaire existe déjà dans de nombreux domaines, notamment le flux de travail, la mesure et la segmentation, et comme outil de diagnostic dans certaines spécialités comme la pathologie, la cardiologie et l’imagerie diagnostique.

Comprendre les bases de l’apprentissage automatique est la clé pour aider chacun d’entre nous à mieux comprendre son utilisation en imagerie diagnostique. Les développeurs doivent comprendre que de grandes quantités de données, des data scientists et des experts du domaine sont nécessaires pour créer un produit d’IA responsable et précis. Les utilisateurs finaux doivent comprendre l’utilisation appropriée des outils d’IA pour en tirer le meilleur bénéfice pour le patient. Ce n’est que lorsque ces facteurs seront réunis que nous pourrons atteindre notre objectif final : améliorer la vie des animaux de compagnie et des clients grâce à l’intelligence artificielle.

Bibliographie

« Colossus : le projet Forbin ». Images universelles. 1970. Extrait de Prime Video.

Pu, Y., Apel, D.B. & Wei, C. Application des approches d’apprentissage automatique à l’évaluation de la responsabilité en matière de coups de toit : une comparaison des méthodes génératives et
Modèles discriminants.Application pure. Géophysique.176, 4503-4517 (2019). https://doi.org/10.1007/s00024-019-02197-1

Wilson, D.U., Bailey, M.Q., Craig, J. Le rôle de l’intelligence artificielle dans l’imagerie clinique et les flux de travail. VRUS. 63:S1, 897-902 (2022)
https://doi.org/10.1111/vru.13157

Fitzke, M, et. Al. OncoPetNet : un système d’IA basé sur l’apprentissage profond pour les figures mitotiques comptant sur H & E Images numériques de diapositives entières colorées
dans un grand laboratoire de diagnostic vétérinaire. Vidéo Youtube. https://www.youtube.com/watch?v=y_ZZUeW7Bvg&t=26s

Singh M, Nath G. Intelligence artificielle et anesthésie : une revue narrative. Saoudien J Anaesth. 2022 janvier-mars;16(1):86-93.
est ce que je: 10.4103/sja.sja_669_21. Publication en ligne le 4 janvier 2022. PMID : 35261595 ; PMCID : PMC8846233.

van Leeuwen, K.G., de Rooij, M., Schalekamp, S. et al.Comment l’intelligence artificielle en radiologie améliore-t-elle l’efficacité et les résultats en matière de santé ?.Pédiatre Radiol 52, 2087-2093 (2022).https://doi.org/10.1007/s00247-021-05114-8

Devant. Hum. Neurosci., 25 juin 2019 Sec. Neurosciences Sensorielles Volume 13 – 2019 |https://doi.org/10.3389/fnhum.2019.00213

Cohen, J, Fischetti, AJ, Daverio, H. Taux d’erreur radiologique vétérinaire déterminé par nécropsie. Échographie vétérinaire radiol. 2023 ; 1-12. DOI : 10.1111/vru.13259.