This content has not been translated yet: it is shown in its original language (French).
Contents
Saviez-vous qu'un radiologue analyse jusqu'à 30 000 images par an, soit près de 100 par jour, souvent dans des conditions de fatigue intense ?
Dans ce contexte, un modèle d'intelligence artificielle entraîné sur des centaines de milliers de radiographies peut détecter une pneumonie, un nodule pulmonaire ou une tumeur avec une précision comparable, voire supérieure, à celle d'un médecin expert.
CheXNet, le déclic de 2017
Ce n'est plus de la science-fiction. En 2017, l'algorithme CheXNet de l'université Stanford a surpassé la performance moyenne de quatre radiologues certifiés sur la détection de la pneumonie à partir de radiographies thoraciques (Rajpurkar et al., 2017).
Une architecture inspirée de la vision
Derrière cette prouesse se cache une architecture mathématique élégante : le réseau de neurones convolutif (CNN). Couche après couche, il apprend à reconnaître des motifs visuels dans une image :
- d'abord des contours et des textures ;
- puis des formes ;
- enfin des structures anatomiques et des anomalies.
Il procède un peu comme notre cerveau, mais des milliers de fois plus vite.
Un enjeu majeur pour l'Afrique
En Afrique subsaharienne, où l'on compte à peine un radiologue pour plusieurs centaines de milliers d'habitants (Mollura et al., 2020), ce type d'outil pourrait transformer l'accès au diagnostic. Il ne remplace pas le médecin : il l'aide à trier, à prioriser et à ne rien laisser passer.
L'IA devrait-elle être intégrée systématiquement dans les hôpitaux africains ?
Go further: the full documentPDF · 12 pages · sources and technical detailsDownload
