Le MIT et le Mass General Hospital ont développé un système d'IA capable de détecter le cancer du poumon

Le cancer du poumon est une maladie dévastatrice. Selon le L'Organisation mondiale de la Santé, le cancer du poumon est l'une des causes de décès les plus fréquentes dans le monde, représentant près de 2.21 millions de cas rien qu'en 2020. Surtout, la maladie peut être progressive; c'est-à-dire que pour beaucoup, cela peut commencer par de légers symptômes qui ne déclenchent aucune alarme, avant d'évoluer rapidement vers un diagnostic potentiellement mortel, entraînant la mort. Heureusement, l'éventail des traitements visant à aider les patients atteints d'un cancer du poumon s'est considérablement élargi au cours des deux dernières décennies. Cependant, la détection précoce du cancer reste l'un des seuls moyens de réduire significativement les taux de mortalité.

Une réalisation notable dans ce domaine est l'annonce récente du Massachusetts Institute of Technology (MIT) et du Mass General Hospital (MGH) concernant le développement d'un modèle d'apprentissage en profondeur nommé "Sybil" qui peut être utilisé pour prédire le risque de cancer du poumon, en utilisant des données à partir d'un seul scanner. Les étude a été officiellement publié dans le Journal of Clinical Oncology la semaine dernière, et explique comment « les outils qui fournissent une évaluation personnalisée du risque de cancer futur pourraient concentrer les approches sur les personnes les plus susceptibles d'en bénéficier ». Par conséquent, les responsables de l'étude ont postulé qu '"un modèle d'apprentissage en profondeur évaluant l'ensemble des données volumétriques LDCT [Low Dose Contrast CT] pourrait être construit pour prédire le risque individuel sans nécessiter de données démographiques ou cliniques supplémentaires".

Le modèle commence par un principe de base : "Les images LDCT contiennent des informations qui sont prédictives du risque futur de cancer du poumon au-delà des caractéristiques actuellement identifiables telles que les nodules pulmonaires." Par conséquent, les développeurs ont cherché à "développer et valider un algorithme d'apprentissage en profondeur qui prédit le risque futur de cancer du poumon sur 6 ans à partir d'un seul scanner LDCT, et à évaluer son impact clinique potentiel".

Dans l'ensemble, l'étude a été remarquablement réussie jusqu'à présent : Sybil est capable de prédire le risque futur de cancer du poumon d'un patient avec une certaine précision, en utilisant les données d'un seul LDCT.

Sans aucun doute, les applications cliniques et les implications de cette technologie sont encore immatures. Même les responsables de l'étude conviennent qu'un travail important devra être fait pour comprendre exactement comment appliquer cette technologie dans la pratique clinique réelle, en particulier en ce qui concerne le développement d'un degré de confiance dans la technologie, avec lequel les médecins et les patients se sentiront en sécurité en s'appuyant sur les sorties du système.

Cependant, la prémisse de l'algorithme est toujours incroyablement puissante et implique un changement de jeu potentiel dans le domaine des diagnostics prédictifs.

Les mesures de diagnostic n'ont jamais été aussi puissantes. Le fait qu'un outil puisse utiliser un seul scanner pour prédire une fonction de la maladie à long terme pourrait potentiellement résoudre de nombreux problèmes, dont le plus important est de permettre un traitement précoce et une diminution de la mortalité.

Les experts, à première vue, pourraient repousser des systèmes comme ceux-ci, remarquant qu'aucun système d'IA ne pourrait correspondre suffisamment au jugement et aux prouesses cliniques pour remplacer un médecin humain. Mais le but de systèmes comme ceux-ci n'est pas nécessairement de remplacer l'expertise des médecins, mais plutôt d'augmenter potentiellement les flux de travail des médecins.

Un système comme Sybil pourrait très facilement être utilisé comme un outil de recommandation, signalant potentiellement des tomodensitogrammes à un médecin, qui pourrait alors utiliser son propre jugement clinique pour être d'accord ou non avec la recommandation de Sybil. Cela améliorerait non seulement probablement le débit clinique, mais pourrait également agir comme un processus de «vérification» secondaire et éventuellement améliorer la précision du diagnostic.

Sans aucun doute, il reste encore beaucoup de travail à faire dans ce domaine. Les scientifiques, les développeurs et les innovateurs ont un long chemin à parcourir non seulement pour perfectionner l'algorithme et le système eux-mêmes, mais aussi pour naviguer dans l'arène hyper nuancée de l'introduction de cette technologie dans des applications cliniques réelles. Néanmoins, la technologie, l'intention et le potentiel qu'elle détient en ce qui concerne l'amélioration des soins aux patients, si elle est développée de manière sûre, éthique et efficace, est en effet prometteuse pour la génération de diagnostics à venir.