Des chercheurs de l’Université de l’État de Washington ont dévoilé un modèle d’IA d’apprentissage profond capable d’identifier les maladies dans les images de tissus avec une rapidité et une précision sans précédent. Cette avancée promet de révolutionner à la fois le diagnostic médical et la recherche liée aux maladies.
Des chercheurs de l’Université de l’État de Washington ont mis au point un modèle d’intelligence artificielle révolutionnaire, le « deep learning », qui permet d’identifier les pathologies, ou signes de maladie, dans des images de tissus animaux et humains beaucoup plus rapidement et souvent avec plus de précision que les experts humains. Ce développement promet de révolutionner à la fois le rythme de la recherche sur les maladies et le diagnostic médical.
« Ce programme d’apprentissage profond basé sur l’IA était très, très précis dans l’observation de ces tissus », a déclaré dans un communiqué Michael Skinner, co-auteur correspondant et professeur à l’École des sciences biologiques de la WSU. communiqué de presse« Cela pourrait révolutionner ce type de médecine, tant pour les animaux que pour les humains, en facilitant essentiellement ce type d’analyse. »
Développé par les informaticiens Colin Greeley, ancien étudiant diplômé de la WSU, et son professeur conseiller Lawrence Holder, le modèle d'IA a été formé à l'aide d'images provenant d'études épigénétiques antérieures menées dans le laboratoire de Skinner.
Ces études se sont concentrées sur les signes de maladie au niveau moléculaire dans divers tissus de rats et de souris. Par la suite, l'IA a été testée avec des images d'autres études, notamment celles identifiant le cancer du sein et les métastases ganglionnaires.
De manière impressionnante, le modèle d’apprentissage profond a non seulement identifié rapidement les pathologies, mais a également trouvé des cas que les pathologistes humains avaient manqués.
« Je pense que nous disposons désormais d’un moyen d’identifier les maladies et les tissus plus rapidement et plus précisément que les humains », a déclaré Holder, co-auteur correspondant, dans le communiqué de presse.
Traditionnellement, l'analyse des lames de tissus est un processus minutieux effectué par des équipes de personnes spécialement formées. Ces experts examinent et annotent méticuleusement les lames au microscope, consacrant souvent des heures à une seule image afin de réduire les erreurs humaines.
Dans le domaine de la recherche en épigénétique, où l'équipe de Skinner étudie les processus moléculaires influençant le comportement des gènes sans modifier l'ADN lui-même, une telle analyse peut prendre un an ou plus pour les études à grande échelle. Avec le nouveau modèle d'IA, les mêmes données peuvent être acquises en quelques semaines.
L'apprentissage profond est une méthode d'IA avancée qui imite les réseaux neuronaux du cerveau humain. Contrairement à l'apprentissage automatique traditionnel, qui s'appuie sur des algorithmes prédéfinis, l'apprentissage profond ajuste ses processus au fil du temps grâce à un réseau de neurones et de synapses. Si le modèle commet une erreur, il « apprend » de celle-ci en utilisant la rétropropagation, qui affine le réseau pour améliorer ses performances.
Le modèle d’IA de la WSU est conçu pour gérer des images haute résolution de plusieurs gigapixels, chacune contenant des milliards de pixels. Pour gérer ces fichiers volumineux, les chercheurs ont configuré l’IA pour analyser des tuiles individuelles plus petites tout en tenant compte de leur contexte dans des sections d’image plus grandes, un peu comme un zoom avant et arrière sur un microscope.
D’autres chercheurs se sont déjà intéressés à ce modèle d’apprentissage profond. L’équipe de Holder collabore actuellement avec des chercheurs en médecine vétérinaire de la WSU pour diagnostiquer des maladies dans des échantillons de tissus de cerfs et d’élans.
Les implications de cette technologie vont au-delà de la santé animale. Le modèle d’IA pourrait améliorer considérablement la recherche médicale et les diagnostics, en particulier pour le cancer et d’autres maladies génétiques.
Selon Holder, tant qu’il existe des données annotées identifiant les maladies dans les échantillons de tissus, l’IA peut être formée pour effectuer ces analyses.
« Le réseau que nous avons conçu est à la pointe de la technologie », a ajouté Holder. « Nous avons effectué des comparaisons avec plusieurs autres systèmes et d’autres ensembles de données pour cette étude, et il les a tous surpassés. »
Publié Dans la revue Scientific Reports, cette recherche révolutionnaire décrit un avenir prometteur pour l’intégration de l’IA dans les diagnostics et la recherche médicale.