Page 32

Dans ce contexte, l’IA constitue un outil attrayant pour combler le fossé entre la demande croissante en imagerie médicale et les ressources disponibles. En mai 2017, l’Association canadienne des radiologistes (CAR) a fait preuve de vision à l’échelle internationale en se classant parmi les premières associations à créer un groupe de travail national en intelligence artificielle. Le mandat du groupe, formé de plusieurs experts au pays, est de discuter et de délibérer sur les enjeux de l’IA en radiologie, et plus spécifiquement sur la pratique, les soins aux patients et les politiques en imagerie médicale. Sous le leadership national de Dr An Tang, radiologiste et chercheur au CHUM, le groupe a publié un livre blanc qui détaille les réflexions associées aux enjeux sur l’éducation, la recherche et développement, les applications cliniques et l’implémentation7. Des recommandations ciblées ont été formulées en lien avec les divers enjeux énoncés. Par exemple, on y recommande de renforcer la formation en statistique et en informatique dans les programmes de résidence en radiologie partout au pays, pour faciliter la transition de la pratique. Afin d’aider le développement d’applications en IA visant à améliorer les soins aux patients, l’American College of Radiology (ACR) a également créé l’ACR Data Science Institute. Cet organisme veut favoriser la collaboration entre les professionnels, les patients, les partenaires industriels et les agences gouvernementales. Il cible et priorise les problèmes radiologiques à résoudre tout en assurant leur développement sécuritaire, efficace et intégré. Depuis 2017, plusieurs autres associations nationales de radiologie, notamment en Grande-Bretagne, en Australie et en France, ont formé des comités consacrés à l’IA. Ces divers comités disséminés de par le monde ont progressivement fait émerger une tendance qui se caractérise par une grande ouverture au développement technologique et une collaboration scientifique, tout en conservant un esprit médical critique. L’intérêt observé pour l’IA en radiologie devrait se multiplier rapidement par l’intermédiaire des associations médicales de plusieurs autres spécialités au cours des prochaines années.

L’IA constitue un outil attrayant pour combler le fossé entre la demande croissante en imagerie médicale et les ressources disponibles. Triage

Une application automatisée de triage permet de détecter rapidement des signes radiologiques sur une image qui nécessiterait une prise en charge immédiate. Par exemple, un algorithme entraîné sur 313 318 tomodensitométries cérébrales effectuées dans près de 20 centres a donné lieu à une performance diagnostique satisfaisante (AUC = 0,92) dans la détection d’hémorragies cérébrales. On peut donc conclure qu’une telle application favoriserait un triage efficace de cette condition8. Cette application nécessiterait ultérieurement l’interprétation finale du radiologiste, mais elle permettrait d’informer le médecin référent et le radiologiste immédiatement après l’acquisition des images de l’urgence d’intervenir, donnant ainsi la possibilité de raccourcir les délais de prise en charge.

Dépistage

En imagerie médicale, l’effet bénéfique potentiel sur des programmes de dépistage à grande échelle peut être significatif. Des logiciels nommés CAD (computer assisted detection), fréquemment utilisés aux États-Unis, offrent depuis plusieurs années au radiologiste qui l’utilise une aide automatisée à la détection d’anomalies lors de l’interprétation de mammographies de dépistage. Toutefois, une analyse rétrospective démontre que l’utilisation de cet outil ne modifie pas la sensibilité et la spécificité du radiologiste9. Cet échec s’explique en partie par l’adoption trop précoce d’outils ayant démontré une performance satisfaisante dans des conditions de recherche, mais dont la performance n’est pas cliniquement transférable. Dans un contexte de recherche, les algorithmes actuels d’IA démontrent une performance diagnostique nettement supérieure à la génération précédente d’outils de CAD en mammographie. Si cette performance peut être prouvée cliniquement,

LE SPÉCIALISTE I VOLUME 20 • NUMÉRO 4 • DÉCEMBRE 2018

Figure 2 – Algorithme de détection automatisée d’opacité pulmonaire

26

Profile for Fédération des médecins spécialistes du Québec

Le Spécialiste de décembre 2018 – Français  

Le Spécialiste de décembre 2018 – Français  

Profile for lafmsq