Développement d’un modèle d’IA pour la localisation des polypes coliques

Pour créer un modèle basé sur l’intelligence artificielle (IA) destiné à localiser les polypes coliques, nous avons collecté des images fixes et des données vidéo provenant d’examens coloscopiques. Au total, 10 709 images fixes ont été obtenues auprès de patients ayant subi une coloscopie au centre médical Gil de l’université de Gachon. Ces images ont été examinées par des endoscopistes experts, qui les ont classées en « normales » ou « anormales » en fonction des résultats pathologiques. Le terme « anormal » fait spécifiquement référence à la présence d’adénomes pour l’ADR (Taux de Détection d’Adénome) et à la présence de polypes macroscopiques pour le PDR (Taux de Détection de Polypes). Nous avons également collecté des vidéos de coloscopie pour évaluer les performances du modèle à l’aide des images fixes et pour une formation supplémentaire en échantillonnant des images à partir des données vidéo. Nous avons recueilli 56 vidéos d’examens de coloscopie de 56 patients chez qui des polypes avaient été détectés lors de la procédure, suivis d’examens des tissus au Gachon University Gil Medical Center. Les vidéos ont été annotées pour indiquer les emplacements des polypes détectés. Les données collectées ont été utilisées comme ensembles d’entraînement et d’évaluation pour le développement et le test d’un modèle d’IA de localisation des polypes.

Modèle de formation par apprentissage profond

Pour développer un modèle de localisation en temps réel des polypes coliques, nous avons utilisé l’algorithme RetinaNet. Ce dernier est un modèle de détection d’objets à une étape, qui combine divers modèles (notamment ResNet) utilisés dans le développement de modèles de classification avec le Feature Pyramid Network (FPN). Le modèle RetinaNet a été choisi en raison de sa rapidité de traitement, essentielle pour des prévisions en temps réel lors des procédures endoscopiques. Bien qu’il puisse présenter une précision légèrement inférieure à celle des détecteurs à deux étapes, sa vitesse supérieure et ses performances globales constantes lors des analyses comparatives en ont fait le choix optimal pour notre étude. Des modèles tels que ResNet sont employés comme réseaux de base pour extraire des informations essentielles tout en réduisant par deux la taille de la carte des caractéristiques durant l’entraînement. Cependant, les cartes de caractéristiques de niveaux supérieurs obtenues de cette façon sont très abstraites et manquent d’informations de position. Le FPN remédie à ce problème par l’upsampling et les connexions directes pour récupérer des informations des étapes précédentes de la carte des caractéristiques, complétant ainsi les informations perdues. Ensuite, la carte des caractéristiques est transmise à la tête de classification pour déterminer si la région de la boîte d’ancrage est un fond ou contient un objet (premier plan), et à la tête de régression de boîte pour calculer les coordonnées de position de la boîte d’ancrage, menant ainsi au résultat final de détection.

Développement du modèle de localisation basé sur des images fixes

Dans cette étude, nous avons développé un modèle de localisation des polypes coliques assisté par IA en appliquant l’algorithme RetinaNet comme réseau de base. Nous avons comparé les performances de divers algorithmes de prétraitement et avons finalement sélectionné ResNet50 comme réseau de base. Un modèle de localisation des polypes basé sur le backbone ResNet50 a été conçu uniquement à partir d’images fixes, à l’aide d’une formation en apprentissage profond pour la détection des polypes. L’ensemble de données a été collecté rétrospectivement, intégralement anonymisé et divisé en 10 plis pour une validation croisée à 10 volets, chaque pli comprenant 9 639 images d’entraînement et 1 070 images de validation. Les ensembles d’entraînement et de validation ont été équilibrés en utilisant un ratio de 6:4 de données normales à anormales. Pour limiter le surapprentissage et garantir la robustesse des performances du modèle, nous avons appliqué la validation croisée durant l’entraînement avec des images statiques, confirmant l’absence de surapprentissage. Nous avons aussi mis en œuvre un processus de formation en deux étapes, d’abord avec des images statiques puis avec des images de vidéos, afin d’éviter le risque de surapprentissage dû à une formation simultanée sur l’ensemble de données.

Notre Vision

Au vu des avancées technologiques, l’intégration de l’IA dans le domaine médical, notamment pour le diagnostic et le traitement des polypes coliques, semble prometteuse. Il est crucial d’adopter une approche réfléchie face à ces innovations, tout en préservant l’humanité et l’éthique dans la pratique médicale. Le développement continu de modèles d’IA, comme celui présenté, doit s’accompagner d’une rigoureuse évaluation clinique pour garantir non seulement des résultats fiables, mais aussi la sécurité des patients. En tant que professionnels, nous devons nous engager à utiliser ces outils de manière à enrichir notre pratique et améliorer la qualité des soins, tout en restant attentifs aux implications éthiques et sociales de notre utilisation de la technologie.


Article original rédigé par : Prénom Nom.



  • Source image(s) : www.nature.com
  • Source : https://www.nature.com/articles/s41598-024-77079-1

Publications similaires

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *