Cela fait en fait 6 ans que Geoffrey Hinton a déclaré : « Nous devons arrêter de former des radiologues maintenant », insistant fermement sur le fait qu' »il est tout à fait évident que d’ici 5 ans, l’apprentissage en profondeur fera bien mieux que les radiologues ». Au lieu de cela, l’avenir de l’imagerie médicale, semble-t-il, reste fermement entre les mains des radiologues – qui ont en fait adopté l’intelligence artificielle (IA) comme outil collectif pour stimuler l’imagerie médicale, l’un des domaines de soins de santé les plus nécessaires qui est utilisé partout le parcours client.
Ce qui se développe, néanmoins, ce sont des efforts open source considérables pour intégrer des modèles d’IA associés à l’imagerie médicale dans des environnements médicaux à grande échelle, tout en garantissant que les informations d’imagerie médicale qui forment ces conceptions d’IA sont robustes, diverses et accessible à tous.
Intégrer des modèles d’IA dans les flux de travail cliniques
Pour atteindre l’ancien objectif, Nvidia a annoncé aujourd’hui lors de la réunion annuelle du Société de radiologie des États-Unis et du Canada (RSNA) que MONAI, un cadre d’IA d’imagerie médicale open source accéléré par Nvidia, facilite l’intégration de modèles d’IA dans les flux de travail médicaux avec les plans d’application MONAI (MAP), fournis via MONAI Deploy .
Nvidia et King’s College de Londres ont présenté MONAI en avril 2020 pour rationaliser les flux de travail d’imagerie médicale IA. Cela aide à transformer les informations d’imagerie brutes en jumeaux numériques interactifs pour améliorer l’analyse ou le diagnostic, ou guider les instruments chirurgicaux. Le développement et l’adoption de la plateforme comptent désormais plus de 600 000 téléchargements, dont la moitié au cours des 6 derniers mois.
Occasion
Sécurité intelligente Summit
Découvrez la fonction essentielle de l’IA et du ML dans la cybersécurité et commercialisez des études de cas particulières le 8 décembre. Inscrivez-vous dès aujourd’hui pour votre pass gratuit.
Inscrivez-vous maintenant
Les leaders de l’imagerie médicale, y compris l’UCSF, l’établissement médical pour enfants de Cincinnati et la startup Qure AI, adoptent MONAI Deploy pour transformer les développements des études de recherche en effets scientifiques, a déclaré Nvidia dans un communiqué de presse. De plus, tous les principaux fournisseurs de cloud, y compris Amazon, Google, Microsoft et Oracle, prennent en charge les MAP, permettant aux scientifiques et aux entreprises utilisant MONAI Deploy d’exécuter des applications d’IA sur leur plate-forme, soit en utilisant des conteneurs, soit avec une combinaison d’applications natives.
« MONAI s’est réellement imposé dans la communauté des études et du développement de la recherche en tant que PyTorch des soins de santé », a déclaré David Niewolny, directeur du développement des sociétés de soins de santé chez Nvidia, dans un communiqué de presse avant les annonces. « Il est spécialement conçu pour la radiologie, s’étendant aujourd’hui à la pathologie et à la chirurgie numérique, et traite en fait l’ensemble du cycle de vie de l’IA, comblant ce fossé entre ce quartier de recherche et le déploiement. »
L’établissement médical pour enfants de Cincinnati crée un MAP pour un modèle d’IA qui automatise la division globale du volume cardiaque à partir d’images CT, aidant les patients pédiatriques transplantés cardiaques dans un travail financé par les National Institutes of Health. « Cela accélère le temps de prise de décision pour les clients pédiatriques transplantés », a-t-il déclaré. « Il a vraiment le potentiel de sauver la vie d’une variété d’enfants. »
Étendre l’IA et l’imagerie médicale à un public plus large
La combinaison de MONAI par tous les hyperscalers cloud permet à cette recherche de s’étendre au-delà d’un établissement médical à un public beaucoup plus large, y compris Niewolny. L’adaptateur MAP a en fait été intégré à Amazon HealthLake Imaging, qui permet aux cliniciens de visualiser, de traiter et de secteurr des images médicales en temps réel. Et la suite d’imagerie médicale de Google Cloud a en fait intégré MONAI dans sa plate-forme pour permettre aux cliniciens de déployer des outils d’annotation assistés par l’IA qui aident à automatiser le travail extrêmement manuel et répété d’identification des images médicales.
De plus, « les installations d’Oracle Cloud ont prévu des choses assez énormes », a-t-il ajouté, notamment en raison de l’acquisition actuelle par Oracle de Cerner, l’une des plus grandes entreprises de dossiers médicaux au monde.
« C’est formidable de voir cet écart se combler entre les concepteurs de modèles et les personnes qui effectuent réellement le déploiement scientifique », a-t-il déclaré. « Il s’agit vraiment de stimuler l’innovation en matière d’IA dans l’ensemble de l’écosystème de l’imagerie médicale. »
Développer des ensembles de données d’images médicales variés
Naturellement, même avec un matériel et une infrastructure bien meilleurs, les progrès de l’imagerie médicale, de l’IA et des sciences de l’information nécessitent les bons ensembles de données d’imagerie médicale pour s’assurer que les algorithmes sont pas de préjugés. À cette fin, un laboratoire d’étude de recherche sur l’IA de la Harvard Medical School vient de révéler une nouvelle initiative, appelée MAIDA, pour développer et partager divers ensembles de données d’images médicales du monde entier.
Selon le chef de laboratoire Pranav Rajpurkar, professeur adjoint à la Harvard Medical School, le problème qu’ils ont choisi de résoudre est que les données d’imagerie médicale ne sont presque jamais partagées entre les institutions en raison de problèmes de sécurité des données, de verrouillage des fournisseurs et d’informations coûts des installations.
En outre, les informations existantes manquent de représentation diversifiée. Les algorithmes pour les applications scientifiques sont formés de manière disproportionnée dans quelques installations médicales, avec peu ou pas de représentation au niveau national ou international. Les populations insuffisamment représentées dans l’ami d’entraînement recevront probablement des résultats biaisés. La peau plus foncée est sous-représentée dans les ensembles de données dermatologiques largement utilisés.
« Il existe un besoin immédiat de démocratiser les ensembles de données d’images médicales et d’assurer la variété des informations utilisées pour la science de l’information et l’avancement de l’IA », a déclaré Rajpurkar à VentureBeat. « Les données actuelles qui restent dans le domaine public sont, en plus d’être un petit ruban, c’est un ruban extrêmement sélectif et ce n’est pas diversifié et manque de représentation mondiale. »
Environ 40 hôpitaux sont actuellement associés à la conservation des ensembles de données de MAIDA, a déclaré Rajpurkar, qui commence par des ensembles de données de radiographies pulmonaires, qui sont l’examen d’imagerie le plus courant au monde. Le laboratoire s’occupe également de l’avancement des modèles d’IA pour d’autres tâches courantes de radiologue, notamment le positionnement du tube endotrachéal et la détection de la pneumonie aux urgences.
« Nous nous attendons à ce que MAIDA soit un ingrédient clé pour l’IA médicale et la science des données, permettant aux outils de travailler sur des populations plus diversifiées qu’ils ne le sont actuellement », a-t-il déclaré.
La mission de VentureBeat est d’être une place publique numérique permettant aux décideurs techniques d’acquérir une compréhension de la technologie commerciale transformatrice et de négocier. Découvrez nos Rundowns.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
