Lors de la Conférence mondiale sur l’économie numérique 2024, les visiteurs ont visité des équipements médicaux d’IA utilisés pour aider les médecins à diagnostiquer par imagerie. Chen Xiaogen
Un seul scanner peut aider les médecins à identifier une variété de cancers, et la plateforme en ligne peut établir la connexion de ressources médicales personnalisées en quelques secondes... Ces dernières années, la technologie de l'intelligence artificielle (IA) a révolutionné complètement tous les aspects du diagnostic et du traitement des tumeurs. .
"L'IA peut parcourir tout le processus de diagnostic et de traitement des tumeurs." Li Zhicheng, directeur exécutif du Centre de recherche sur l'intelligence artificielle médicale de l'Institut de biomédecine et d'ingénierie de la santé, Instituts de technologie avancée de Shenzhen, Académie chinoise des sciences, a déclaré à un journaliste. de Science and Technology Daily, "Du diagnostic d'imagerie initial, de l'identification des lésions, de l'admission du patient au diagnostic pathologique, à la visualisation des plans chirurgicaux et même au suivi de la récupération à la sortie, l'intervention de l'IA est visible et tangible pour les médecins et les patients."
Aide au dépistage précoce des tumeurs
Xu Zhonghuang, directeur de l'hôpital Airui anticancéreux sino-américain de Pékin, a déclaré que de nombreux patients atteints de cancer sont déjà à un stade intermédiaire ou avancé au moment du diagnostic et manquent la meilleure opportunité de traitement. Le dépistage précoce peut aider les médecins à détecter des affections au stade asymptomatique ou précancéreux et à réduire efficacement la morbidité et la mortalité grâce à une intervention précoce. L’IA a un grand potentiel dans le domaine du dépistage précoce des tumeurs.
Le dépistage précoce des tumeurs repose généralement sur une série de méthodes d’examen non invasives ou mini-invasives, notamment des examens d’imagerie, la détection de marqueurs sanguins et le diagnostic moléculaire. À cet égard, l’intervention de l’IA a fait des progrès décisifs. Li Zhicheng estime qu'avec le soutien de la technologie d'apprentissage profond basée sur l'image, les performances de l'IA dans certains dépistages de tumeurs peuvent même surpasser celles des experts humains.
Au cours des deux dernières années, des revues internationales telles que Nature ont publié plusieurs études sur le dépistage des tumeurs assisté par l’IA. Le modèle CHIEF développé par l'équipe de la Harvard Medical School peut non seulement diagnostiquer 19 types de cancer, mais également localiser le microenvironnement tumoral, guider les stratégies de traitement et prédire les taux de survie. Le modèle de détection précoce du cancer du pancréas PANDA développé par Alibaba Damo Academy a une précision de 92,9 % pour déterminer la présence de lésions. Ces résultats montrent que l’IA peut non seulement faciliter le diagnostic, mais également jouer un rôle clé dans un traitement précis.
Des pratiques connexes ont montré le rôle de l’IA dans le dépistage des tumeurs. En février de cette année, le « Projet caritatif de dépistage précoce multi-cancer par IA médicale » d'Alibaba a été déployé à l'hôpital central de Lishui et dans d'autres institutions du Zhejiang, appliquant la technologie innovante d'IA médicale de l'Académie DAMO au domaine de la santé. "Le projet a dépisté plus de 50 000 personnes en 4 mois. Les maladies dépistées comprenaient le cancer du pancréas, le cancer de l'œsophage, le cancer gastrique et le cancer colorectal. 145 lésions cancéreuses trouvées parmi elles ont été cliniquement confirmées. L'équipe d'IA médicale de l'Académie Damo est responsable." , Lu Le, a expliqué qu'en combinant une grande quantité de données historiques et des algorithmes complexes, l'IA peut extraire des informations sur de minuscules lésions difficiles à détecter à l'œil nu à partir d'images. Dans les tâches fastidieuses d’analyse d’images, l’IA peut également traiter rapidement de grandes quantités de données, réduisant ainsi la pression sur les médecins.
Xu Zhonghuang a déclaré que le cancer doit s'appuyer sur une collaboration multidisciplinaire pour formuler des plans de traitement optimaux, et que l'IA peut aider à résoudre des problèmes tels que la pénurie de professionnels et les coûts économiques élevés de ce processus.
Prenant PANDA comme exemple, Lu Le a déclaré que le modèle équivaut à rassembler la base de connaissances de dizaines de médecins de différentes professions et réalise la fusion de données entre départements en intégrant des données multimodales telles que les données d'imagerie, les informations génomiques, la pathologie. données, etc Sur cette base, le modèle peut extraire des informations clés sur les lésions et les caractéristiques pathologiques potentielles, puis effectuer une analyse complète dans tous les services.
Améliorer la sensibilisation au cancer
La promotion de la compréhension scientifique dans le domaine médical constitue une dimension supérieure pour l’IA afin d’aider au diagnostic et au traitement des tumeurs.
L’équipe de Li Zhicheng est engagée dans la recherche sur les gliomes depuis des décennies. Parlant de l'état actuel du diagnostic et du traitement du gliome, Li Zhicheng a déclaré : « Notre compréhension scientifique de cette maladie est encore limitée. Les médecins n'ont pas encore complètement compris l'apparition, le développement et le mécanisme de récidive du gliome, et n'ont pas encore trouvé d'efficacité et de traitement. manière précise.
Xu Zhonghuang ressent la même chose. "Le manque de connaissances sur le cancer limite les méthodes de diagnostic et de traitement. Face à des maladies difficiles et compliquées, il arrive souvent dans la pratique clinique que nous ne puissions traverser la rivière qu'en palpant les pierres."
Les modèles existants de diagnostic et de traitement par l’IA présentent également des limites. Li Zhicheng a déclaré que de nombreux modèles sont formés grâce à des ensembles de données d'annotation à grande échelle pour trouver des corrélations entre les caractéristiques de l'image et les résultats cliniques. Bien que cette méthode ait obtenu des résultats remarquables en termes de précision, cette opération de « boîte noire » manque de fondement explicatif, ce qui rend difficile pour les médecins de faire pleinement confiance aux résultats diagnostiques de l'IA. Il est donc particulièrement important de revenir à la source des connaissances médicales.
À cet égard, l’IA a une grande marge de manœuvre. « L'IA peut intégrer des données multimodales telles que l'imagerie, la pathologie, les gènes, etc., fournir une analyse complète à plusieurs échelles et nous aider à dresser un « portrait » plus complet des tumeurs. La tumeur est un écosystème composé de cellules cancéreuses complexes, et Plus son portrait est détaillé, plus il est précis, plus il peut découvrir des comportements tumoraux et des cibles de traitement potentielles qui ont été ignorées dans le passé, fournissant ainsi de nouvelles idées pour le traitement initial », a déclaré Li Zhicheng avec l'enrichissement continu. Grâce à l'utilisation de données au niveau moléculaire telles que les génomes et les protéomes, l'IA devrait briser les goulots d'étranglement cognitifs existants et contribuer à améliorer la compréhension scientifique des cancers complexes.
Xu Zhonghuang a ajouté : « Face à des tumeurs inconnues, si l'IA peut faire progresser la compréhension humaine, même d'un petit pas, elle pourrait fondamentalement fournir de nouvelles orientations méthodologiques pour le diagnostic et le traitement des tumeurs et véritablement changer la façon dont nous traitons le cancer. »
Faire jouer pleinement le rôle « nourrissant » des données
Pour que l’IA renforce davantage l’ensemble du processus de diagnostic et de traitement des tumeurs, il est crucial d’obtenir un support de données volumineux, complet et de haute qualité.
La formation des modèles d’IA repose non seulement sur les annotations des médecins, mais nécessite également des données complètes sur le cycle clinique. Lu Le a donné un exemple : « Au cours du processus de formation du modèle PANDA, les médecins doivent non seulement fournir des données multimodales telles que des images pathologiques, des rapports de pathologie et des images tomodensitométriques, mais doivent également confirmer manuellement l'emplacement de la lésion et décrire avec précision. Ensuite, l'ingénieur passe la technologie d'enregistrement d'image tridimensionnelle mappant le contour tridimensionnel de la lésion sur l'image CT simple et permet finalement à l'IA d'apprendre à identifier l'apparence des tumeurs pancréatiques précoces. dans l’image CT simple.
Dans ce processus, seuls les médecins et l'équipe d'IA travaillent en étroite collaboration pour fournir des données de formation de haute qualité pour le modèle. Lu Le a en outre expliqué que les équipes d'algorithmes d'IA médicale de pointe s'appuient souvent sur un large éventail d'hôpitaux coopératifs pour fournir diverses données, ce qui est crucial pour améliorer la capacité de généralisation du modèle. Les données de différents hôpitaux fournissent au modèle d’IA un riche contexte pathologique, l’aidant à répondre plus précisément à divers scénarios cliniques.
Cependant, en raison de problèmes tels que de grandes quantités de données requises, de nombreux départements impliqués et des données dispersées, l'acquisition de données est devenue le principal goulot d'étranglement dans la recherche actuelle sur l'IA contre le cancer. "Il n'est pas difficile d'obtenir une seule image ou des données pathologiques, mais il est très difficile d'obtenir des données toutes modalités telles que l'imagerie, la pathologie et les gènes pour le même patient en même temps", a déclaré Li Zhicheng. nécessite une coopération étroite entre plusieurs départements, mais prend également beaucoup de temps. La recherche actuelle sur le cancer est souvent dispersée entre différentes disciplines, l'analyse des images étant gérée par des techniciens en imagerie et en ingénierie, tandis que les données génétiques sont traitées par du personnel en pathologie moléculaire ou en bioinformatique. Faire tomber les barrières entre les disciplines et intégrer les données reste un défi de taille.
« Les données sont le « nutriment » de base permettant à l'IA de jouer pleinement son rôle dans les soins médicaux. » Selon Xu Zhonghuang, l'évolutivité, la standardisation et la sécurité des données sont des considérations clés pour les hôpitaux lors du déploiement de l'IA médicale. Les hôpitaux doivent partir du présent lors de la planification de leur configuration IA, assurer la standardisation de la saisie, de l'archivage et de la gestion des données, concevoir à l'avance un cadre de gestion des données raisonnable et réserver des interfaces pour le traitement futur des données. L’avantage de l’IA est qu’elle peut continuellement absorber de nouvelles données et s’optimiser. Cela nécessite que le système de stockage de données de l'hôpital soit évolutif pour faire face à la demande croissante de données multimodales.
En termes de sécurité des données, Xu Zhonghuang estime que les hôpitaux doivent établir des mécanismes stricts de cryptage des données et de protection de la vie privée pour garantir que les applications technologiques peuvent fournir un soutien fiable au diagnostic et au traitement cliniques dans le respect des lois, des réglementations et de l'éthique sociale.