Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

Le cancer du poumon demeure l'une des menaces les plus redoutables pour la santé publique mondiale, principalement parce que le détecter tôt représente souvent la différence entre la vie et la mort. La méthode standard pour repérer la maladie consiste à prendre des images tridimensionnelles détaillées du thorax à l'aide de rayons X, un processus connu sous le nom de tomodensitométrie. Ces images révèlent les structures complexes à l'intérieur des poumons, permettant aux médecins de rechercher de petites excroissances anormales appelées nodules. Cependant, l'interprétation de ces scanners est une tâche exigeante qui nécessite des experts hautement qualifiés pour passer au crible des milliers d'images, un goulot d'étranglement qui peut retarder le diagnostic et limiter l'accès aux soins. Ces dernières années, un nouveau type d'outil est apparu pour assister ces spécialistes : l'intelligence artificielle. Plus précisément, des chercheurs développent des programmes informatiques inspirés par le cerveau humain, connus sous le nom de réseaux de neurones, qui peuvent apprendre à reconnaître des motifs dans les images tout comme un être humain le fait. Lorsque ces réseaux sont conçus spécement pour les images, on les appelle réseaux de neurones convolutifs. Ils fonctionnent en scannant une image et en mettant en évidence les caractéristiques les plus importantes, telles que la forme ou la texture d'un nodule, afin d'aider à déterminer s'il est dangereux.

Une récente revue de la littérature scientifique, menée par Pablo Ramirez Amador à l'Universidad Abierta Interamericana de Buenos Aires, examine de près la manière dont ces systèmes informatiques sont actuellement utilisés pour détecter le cancer du poumon. L'étude a examiné 96 articles de recherche publiés entre 2015 et aujourd'hui, en effectuant des recherches dans les principales bases de données scientifiques pour trouver les travaux les plus pertinents dans ce domaine. L'objectif n'était pas de tester une nouvelle machine unique, mais de cartographier l'ensemble du paysage de la recherche existante, afin de comprendre quelles méthodes fonctionnent le mieux et où se situent les plus grands obstacles. Les chercheurs se sont concentrés sur deux techniques spécifiques qui se sont montrées prometteuses : l'apprentissage par transfert (transfer learning) et l'augmentation de données (data augmentation). L'apprentissage par transfert permet à un programme informatique ayant déjà appris à reconnaître des objets généraux, comme des chats ou des voitures, d'être adapté pour la tâche spécifique de détection des nodules pulmonaires, économisant ainsi du temps et des ressources. L'augmentation de données est une méthode consistant à créer davantage de matériel d'entraînement en prenant des images existantes et en les modifiant légèrement — en les faisant pivoter, en changeant leur taille ou en ajoutant un peu de bruit visuel — de sorte que l'ordinateur voie de nombreuses variations du même élément et apprenne à être plus robuste.

La revue a conclu que ces outils d'intelligence artificielle sont effectivement capables d'offrir une alternative hautement efficace pour le diagnostic précoce du cancer du poumon, égalant souvent la sensibilité et la spécificité des experts humains. Les études analysées ont montré que l'utilisation de réseaux pré-entraînés, tels que ceux connus sous les noms de VGG16 ou ResNet, combinés à l'augmentation de données, conduit à une grande précision dans l'identification du cancer du poumon non à petites cellules, qui est la forme la plus courante de la maladie. Les modèles informatiques sont capables de traiter les données complexes issues des scanners CT et de signaler les problèmes potentiels avec un niveau de précision qui suggère qu'ils pourraient devenir une partie vitale du processus de diagnostic. Cependant, l'article précise également que cette technologie n'est pas encore un produit fini prêt pour une utilisation immédiate et généralisée dans chaque hôpital. Les chercheurs ont identifié des défis importants qui doivent être résolus avant que ces outils ne puissent être dignes de confiance dans des contextes cliniques réels. L'un des problèmes majeurs est le manque de standardisation des données ; différents hôpitaux utilisent des machines et des protocoles différents, ce qui peut confondre les modèles informatiques. Il existe également de sérieuses préoccupations concernant la confidentialité des informations des patients et la nécessité de comprendre exactement comment l'ordinateur parvient à ses conclusions, une qualité connue sous le nom d'explicabilité, afin que les médecins puissent faire confiance aux conseils qu'ils reçoivent.

En fin de compte, les travaux concluent que si l'intelligence artificielle détient un immense potentiel pour améliorer la prise en charge des patients atteints de cancer du poumon, elle n'est pas une solution magique qui remplacera les médecins humains. La voie à suivre nécessite davantage de recherche pour affiner ces algorithmes et de nouvelles réglementations pour garantir qu'ils soient sûrs, fiables et éthiques. La revue suggère que l'avenir de la détection du cancer du poumon réside dans un partenariat où ces puissants systèmes informatiques agissent comme une seconde paire d'yeux, aidant à détecter les maladies plus tôt et plus précisément, mais seulement si la communauté scientifique relève les limites actuelles concernant la qualité des données et la transparence des modèles. D'ici là, la technologie demeure une promesse puissante plutôt qu'une norme de soin pleinement réalisée, attendant que les étapes nécessaires soient franchies pour l'amener en toute sécurité dans la pratique clinique.