Echocardiographie : Et si l’IA était un assistant virtuel, toujours disponible et efficace ?
Interview de Kristin McLeod Data Science Leader Cardiovascular Ultrasound - GEHC
L'IA peut aider à recentrer les équipes cliniques sur leurs points forts
Kristin McLeod : « Comme détaillé dans un récent briefing de McKinsey, l'Intelligence Artificielle a le potentiel de transformer la façon dont les soins sont dispensés. Une efficacité améliorée permet aux systèmes de santé de fournir de meilleurs soins à un plus grand nombre de personnes et peut aider à améliorer le vécu des professionnels de santé, leur permettant de consacrer plus de temps aux soins directs aux patients et de réduire l'épuisement professionnel. »
En savoir plus, télécharger le white paper
La charge des tâches fastidieuses et le volume d'échocardiographies continuent de croître
K. McL : « L'échocardiographie est devenue la norme dans le diagnostic, le traitement et le suivi des patients atteints de toute pathologie cardiaque suspectée ou connue. Elle est l'un des tests de diagnostic le plus largement utilisé en cardiologie. Compte tenu de la demande sans cesse croissante d'échocardiographies, les cardiologues et les échographistes passent souvent un temps précieux à ajuster les paramètres et à répéter les manipulations pour obtenir les mêmes mesures. Ces tâches répétitives nécessitent la prise en compte de nombreux paramètres et plusieurs clics de boutons, dans le but d'obtenir des mesures. »
« 90 % des échographistes ont déjà éprouvé des troubles musculosquelettiques liés au travail [1] »
Qu'est-ce que l'intelligence artificielle et comment peut-elle améliorer les flux de travail ?
K. McL : « Avec l'IA, la beauté de cette approche est que la machine apprend à partir des données, de la même manière qu'un humain apprend à partir de l'expérience en associant des observations à des terminologies (comme dans l'apprentissage d'une langue). En tant que tel, plus la machine « voit » de données, plus elle apprend et donc mieux elle est capable de fonctionner.
« Les données racontent l'histoire »
Les algorithmes de réseau de neurones artificiels profonds ont, eux, le potentiel de surpasser les algorithmes d'apprentissage automatique que l'on a connu dans le passé. Car les algorithmes d'apprentissage automatique nécessitaient des instructions humaines concernant les caractéristiques des données les plus importantes. En échocardiographie, et d'ailleurs en médecine en générale certaines relations ou caractéristiques importantes sont encore inconnues. Aussi ce groupe de méthodes d'auto-apprentissage a donc le potentiel d'aller au-delà de ce que nous connaissons aujourd'hui. Les données racontent l'histoire. Dans le même temps, la compréhension de ces algorithmes est essentielle et, par conséquent, la transparence de leur conception et de la façon dont ils parviennent au résultat donné sont essentiels pour comprendre et faire confiance aux résultats. La description des algorithmes doit être écrite en conséquence pour atteindre cet objectif. »
Et si l'IA pouvait résoudre ce problème : Anticiper la mesure appropriée ?
K. McL: « l'intelligence artificielle joue désormais un rôle essentiel dans la rationalisation de la quantification de ces deux modes d'imagerie : 2D et Doppler. Vous voulez mesurer la Vmax de la valve aortique ? Je vais exécuter la mesure pour vous ! C’est ce que nous dit AI Auto Measure – Spectrum Recognition.
« Vous voulez mesurer la Vmax de la valve aortique ? Je vais exécuter la mesure pour vous ! C’est ce que nous dit AI Auto Measure – Spectrum Recognition »
Classiquement, les mesures de Doppler spectral étaient enclenchées par l'utilisateur en entrant dans le menu de mesure et en sélectionnant la mesure appropriée compte tenu de l'image à l'écran. Pour contourner le besoin de sélectionner la mesure, un algorithme d'IA a été entraîné pour détecter semi-automatiquement la mesure appropriée, permettant au système d'accélérer le processus entre l'acquisition d'un Doppler et le résultat attendu, à savoir, la réalisation des mesures. »
Quelle approche a été choisie ?
K. McL : « L'approche choisie pour cette tâche a été conçue pour refléter la façon dont un humain effectuerait cette même tâche - qui se résume essentiellement à ce qui suit : étant donné une image spectrale Doppler existante, comment peut-on déduire la mesure du spectre Doppler prévue ? Un humain regarderait généralement l'image 2D pour voir sur quelle valve ou proche de quelle paroi le curseur Doppler était positionné. Il utiliserait ensuite ces informations en conjonction avec le mode d'imagerie, le mode Doppler continu, (CW), ou pulsé (PW) ou tissulaire (TVI) et le décalage de la ligne de base (indiquant si l'utilisateur était intéressé par la partie positive du spectre ou la partie négative). Le mode d'imagerie et le décalage de la ligne de base sont des paramètres stockés dans chaque acquisition Doppler (ils n'ont donc pas besoin d'être prédits), la tâche restante consiste à détecter sur quelle valve ou paroi le curseur Doppler était situé par l'utilisateur. »
« L'approche choisie pour cette tâche a été conçue pour refléter la façon dont un humain effectuerait cette même tâche »
Conclusion
K. Mc L. « Les algorithmes d'IA Vivid Ultra Edition[2] sont basés sur les réseaux neuronaux artificiels conçus pour proposer des informations et des tâches reproductibles, et ce, plus rapidement que des process effectués manuellement.
Ils peuvent aider à réduire le besoin d'entrées manuelles et peuvent aider à réduire le risque de fatigue de l'opérateur et d'exposition aux troubles musculosquelettiques liés au travail.
Des mesures cohérentes, une variabilité inter-opérateur réduite, avec jusqu'à 99% de précision et 98% de détectabilité[3], l’IA fournit des mesures plus cohérentes et plus reproductibles quel que soit le niveau d'expérience de l'opérateur[4].
L'IA place l'échographe comme une partie intégrante de l'équipe de soins : conçue pour soulager les praticiens de tâches fastidieuses et complexes notamment dans l'exécution de diverses mesures indispensables ;
L'IA aide les praticiens à porter leur attention sur la procédure, tirer parti de chaque seconde pour concentrer leur expertise clinique sur ce qui compte le plus : leur patients ; sans compromettre leur propre santé.
Glossaire
Réseau de neurones artificiels (Artificial Neural Network) : architecture de traitement simulant des réseaux de neurones cérébraux qui combinent plusieurs couches étagées de traitement, appliquées aux données, à différents niveaux de détail. Un réseau de neurones artificiels de plus de deux couches est appelé réseau de neurones profonds.
Réseau de neurones artificiels profonds (Deep Artificial Neural Network): un sous-ensemble d'algorithmes d'apprentissage automatique qui détectent automatiquement les fonctionnalités importantes dans les données (plutôt que d'être explicitement entraînés pour se concentrer sur des fonctionnalités spécifiques). Un ensemble d'algorithmes qui permet aux machines de rechercher elles-mêmes des informations pertinentes dans les données, sans direction explicite ; Autorisant ainsi des améliorations significatives lorsque les machines peuvent détecter des caractéristiques, dans les données, qui sont inconnues ou imperceptibles pour un utilisateur humain. L'essor des applications de Deep Learning est dû à l'amélioration continue de la puissance informatique qui permet l'utilisation d'architectures de réseaux artificiels profonds (deep Artificial Network) pouvant potentiellement capturer des détails dans des données non précédemment capturées dans d'autres algorithmes.
Algorithme (algorithm) Une séquence prédéfinie de calculs.
Données de vérification (Verification data): données utilisées pour tester l'exactitude d'un algorithme, collectées à partir de sites indépendants de ceux qui créent un algorithme afin de garantir l'absence de doublons des données patients et de garantir que les algorithmes ne sont pas adaptés à des sites spécifiques, mais plutôt que l'algorithme s'étend bien à d'autres environnements hospitaliers.
Apprentissage par instantané (Snapshot learning): un algorithme qui est entraîné sur des données recueillies à un moment donné (un instantané dans le temps) dans des conditions contrôlées. L'algorithme ne change pas tout seul, et est donc 100 % reproductible pour une version donnée du logiciel.
Apprentissage continu (Continuous learning): infrastructure intégrée à l'appareil pour modifier en permanence l'algorithme en fonction de nouvelles données dans un environnement non contrôlé où il existe un potentiel d'amélioration ou de dégradation continue à mesure que l'algorithme s'adapte aux nouvelles données avec lesquelles il est alimenté.
[1] Kristin McLeod Data Science Leader, Cardiovascular Ultrasound – GE Healthcare
[2] © 2021 General Electric Company. Tous les droits sont réservés.
GE, le monogramme GE, Vivid sont des marques commerciales de General Electric Company. GE Healthcare, une division de General Electric Company.
Vivid : Système d’échographie cardiovasculaire à fonctionnalités multiples conçu pour l’imagerie cardiaque et les services partagés. Le système utilise des applications pour effectuer des examens dans chacun des domaines suivants : abdominales (y compris rénales et gynécologiques) ; pédiatriques ; des petits organes (sein, testicules, thyroïde) ; céphaliques néonatales ; céphaliques chez l'adulte ; cardiaques (adultes et enfants) ; vasculaires périphériques (VP) ; musculosquelettiques conventionnelles ; urologiques (notamment la prostate) ; transoesophagiennes ; transrectales (TR) ; transvaginales(TV) ; et peropératoires (abdominales, thoraciques et vasculaires). Classe/organisme notifié : IIa/ CE 0470. Fabricant : GE Vingmed Ultrasound AS. Référez-vous toujours au manuel de l'utilisateur complet avant l'emploi et lisez attentivement toutes les instructions pour vous assurer de la bonne utilisation de votre dispositif médical.Ultra Edition n'est pas un nom de produit, il fait référence à la version 2020 du portefeuille Vivid.
Les marques déposées de tiers sont la propriété de leurs propriétaires respectifs.
[3] D’après les résultats de l'étude de temps et de réaction conduite par GE JB49055XX - Cardiac Auto Doppler, l'étude indique que le gain de temps permet de d'augmenter la productivité jusqu'à ~8 sur la base annuelle de l'activité d'un échographiste.
[4] Applicable sur le AI Auto Measure - Spectrum Recognition, résultats basés sur l’étude mené par GE référencée interne (DOC2292732).
Applicable à AI Auto Measure - Spectrum Recognition, AI Auto Measure - 2D, and AI View Recognition. Étant donné que chaque algorithme est entrainé en utilisant des instantanés (snapshots) et qu’ils ne changent pas après la Product Release. Ainsi le même paquet de données, envoyé 2 fois à l’algorithme, va produire le même résultat; le modèle est donc reproductible à 100%.
