« Avoir le choix peut faciliter la prise de décision. Le simple fait de constater une incertitude dans une image médicale peut influencer les décisions d'une personne ; il est donc important de tenir compte de cette incertitude », explique Marianne Rakic, doctorante en informatique au MIT.

Rakic ​​est l'auteur principal d'un article publié avec d'autres chercheurs du MIT, du Broad Institute du MIT et de Harvard, et du Massachusetts General Hospital, qui présente un nouvel outil d'IA capable de capturer l'incertitude dans une image médicale.

Connu sous le nom de Tyche (d'après le dieu grec du hasard), ce système propose plusieurs segmentations plausibles qui mettent en évidence des zones légèrement distinctes d'une image médicale. L'utilisateur peut spécifier le nombre d'options offertes par Tyche et sélectionner celle qui convient le mieux à son besoin.

Plus important encore, Tyche peut s'attaquer à de nouvelles tâches de segmentation sans nécessiter de réentraînement. L'entraînement est un processus gourmand en données qui consiste à présenter au modèle de nombreux exemples et requiert une expertise approfondie en apprentissage automatique.

Ne nécessitant aucune formation, Tyche pourrait s'avérer plus simple d'utilisation que d'autres méthodes pour les médecins et les chercheurs biomédicaux. Son application serait immédiate et applicable à diverses tâches, de l'identification de lésions sur une radiographie pulmonaire à la localisation d'anomalies sur une IRM cérébrale.

À terme, ce système pourrait améliorer les diagnostics ou contribuer à la recherche biomédicale en attirant l'attention sur des informations potentiellement cruciales que d'autres outils d'IA pourraient manquer.

« L'ambiguïté n'a pas été suffisamment étudiée. Si votre modèle néglige un nœud que trois experts affirment présent et deux autres qu'il est absent, vous devriez probablement y prêter attention », ajoute Adrian Dalca, auteur principal, professeur adjoint à la Harvard Medical School et au MGH, et chercheur au Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT.

Parmi ses co-auteurs figurent Hallee Wong, doctorante en génie électrique et informatique ; José Javier González Ortiz, docteur (23) ; Beth Cimini, directrice adjointe de l’analyse de bio-imagerie au Broad Institute ; et John Guttag, professeur titulaire de la chaire Dugald C. Jackson en informatique et génie électrique. Rakic ​​présentera Tyche à la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes, où Tyche a été sélectionné comme projet phare.

Levée de l'ambiguïté

Les systèmes d'intelligence artificielle utilisés pour la segmentation d'images médicales font souvent appel à des réseaux de neurones. Inspirés du cerveau humain, les réseaux de neurones sont des modèles d'apprentissage automatique composés de nombreuses couches interconnectées de nœuds, ou neurones, qui traitent les données.

Après avoir discuté avec des collaborateurs du Broad Institute et du MGH qui utilisent ces systèmes, les chercheurs ont constaté que deux problèmes majeurs en limitent l'efficacité : les modèles ne peuvent pas prendre en compte l'incertitude et doivent être réentraînés même pour une tâche de segmentation légèrement différente.

Certaines méthodes tentent de surmonter l'un des obstacles, mais s'attaquer aux deux problèmes avec une solution unique s'est avéré particulièrement difficile, explique Rakic.

« Si l'on veut tenir compte de l'ambiguïté, on est souvent obligé d'utiliser un modèle extrêmement complexe. Avec la méthode que nous proposons, notre objectif est de la rendre facile à utiliser avec un modèle relativement petit afin qu'il puisse faire des prédictions rapidement », explique-t-il.

Les chercheurs ont créé Tyche en modifiant une architecture de réseau neuronal simple.

Dans un premier temps, l'utilisateur fournit à Tyche des exemples illustrant la tâche de segmentation. Il peut s'agir, par exemple, de plusieurs images de lésions cardiaques segmentées par différents experts, permettant ainsi au modèle d'apprendre la tâche et de constater l'existence d'ambiguïtés.

Les chercheurs ont découvert que seulement 16 images d'exemple, appelées « ensemble de contexte », suffisent au modèle pour effectuer de bonnes prédictions, mais le nombre d'exemples utilisables est illimité. Cet ensemble de contexte permet à Tyche de résoudre de nouvelles tâches sans nécessiter de réentraînement.

Pour permettre à Tyche de prendre en compte l'incertitude, les chercheurs ont modifié le réseau neuronal afin qu'il produise de multiples prédictions à partir d'une image médicale et du contexte. Ils ont ajusté les couches du réseau pour que, lors du passage des données d'une couche à l'autre, les segmentations candidates produites à chaque étape puissent dialoguer entre elles et avec les exemples du contexte.

De cette manière, le modèle peut garantir que les segmentations candidates sont toutes légèrement différentes, tout en résolvant la tâche.

« C'est comme lancer des dés. Si votre modèle peut obtenir un deux, un trois ou un quatre, mais ne sait pas qu'il a déjà un deux et un quatre, alors n'importe lequel de ces résultats peut réapparaître », explique-t-il.

Ils ont également modifié le processus de formation afin de le récompenser en maximisant la qualité de sa meilleure prédiction.

Si l'utilisateur demande cinq prédictions, il pourra finalement voir les cinq segmentations d'images médicales produites par Tyche, même si l'une d'entre elles peut être meilleure que les autres.

Les chercheurs ont également développé une version de Tyche compatible avec un modèle de segmentation d'images médicales pré-entraîné. Dans ce cas, Tyche permet au modèle de générer plusieurs candidats grâce à de légères transformations de l'image.

Des prévisions plus fiables et plus rapides

Lors de tests menés sur des ensembles de données d'images médicales annotées, les chercheurs ont constaté que Tyche reflétait la diversité des annotateurs humains et que ses meilleures prédictions surpassaient celles de tous les modèles de référence. De plus, Tyche s'est avéré plus rapide que la plupart des modèles.

« Présenter plusieurs candidats et s’assurer qu’ils sont différents les uns des autres constitue un véritable avantage », explique Rakic.

Les chercheurs ont également noté que Tyche pouvait surpasser des modèles plus complexes entraînés sur un vaste ensemble de données spécialisé.

Pour la suite, ils envisagent d'expérimenter avec un ensemble de contextes plus flexible, incluant peut-être du texte ou différents types d'images. Ils souhaitent également explorer des méthodes pour améliorer les prédictions parfois imprécises de Tyche et perfectionner le système afin qu'il puisse recommander les cibles les plus pertinentes.

Ces recherches sont financées, en partie, par les National Institutes of Health, le Eric and Wendy Schmidt Center du Broad Institute du MIT et de Harvard, et Quanta Computer.

###

Article rédigé par Adam Zewe, MIT News