How reliable is deep learning segmentation of the infant brain? Variability and failure analysis of segmentation pipelines under a common protocol in 51 infants aged 1 to 9 months
Cette étude démontre que, bien que trois pipelines de deep learning 3D configurés de manière compétente atteignent une précision similaire dans la segmentation des cerveaux de nourrissons avec des différences négligeables induites par le réentraînement ou la validation croisée, une simple approche de consensus élimine efficacement les échecs de segmentation rares, soulignant la nécessité critique de rapporter la variabilité et les taux d'échec plutôt que de se fier uniquement aux scores de Dice moyens.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le cerveau humain croît plus rapidement au cours de la première année de vie qu'à n'importe quel autre moment. Durant cette période, les tissus mous à l'intérieur du crâne subissent une transformation spectaculaire à mesure qu'ils se durcissent et s'organisent. Pour les médecins et les chercheurs qui tentent de comprendre comment un enfant se développe, ou pour repérer les signes précoces de troubles, voir l'intérieur de ce paysage changeant est essentiel. Ils utilisent l'imagerie par résonance magnétique, un scanner puissant qui crée des images détaillées sans utiliser de radiations. Cependant, transformer ces images en données utiles est difficile. Le cerveau est composé de nombreuses parties minuscules et repliées, et chez un nourrisson, le contraste entre ces parties disparaît souvent pendant quelques mois, les faisant ressembler à une masse grise uniforme. Pour étudier la croissance, les scientifiques doivent compter le volume de régions spécifiques, mais le faire à la main est lent et sujet à l'erreur humaine. Récemment, l'intelligence artificielle est intervenue pour effectuer le comptage automatiquement, en utilisant l'apprentissage profond pour reconnaître les structures cérébrales et tracer des contours autour d'elles. L'espoir est que ces programmes informatiques puissent fournir un moyen fiable et rapide de mesurer le cerveau d'un bébé, mais la question demeure : pouvons-nous leur faire confiance lorsque les images sont si complexes ?
Une équipe de chercheurs s'est donné pour mission de tester la fiabilité de ces outils automatiques sur un groupe de cinquante et un nourrissons, âgés de un à neuf mois. Ils ont rassemblé une collection de soixante et onze scanners cérébraux, chacun contenant des images pondérées en T1 et T2, qui sont deux manières différentes de capturer la structure du cerveau. Pour garantir un test équitable, ils ne se sont pas contentés d'examiner les scores finaux ; ils ont examiné comment les outils se comportaient lorsque les données changeaient légèrement ou lorsque le même outil était exécuté plusieurs fois. Ils ont comparé quatre systèmes d'intelligence artificielle différents qui avaient été entraînés spécifiquement sur des données infantiles. Ces systèmes variaient dans leur conception : certains utilisaient des blocs tridimensionnels standards pour traiter l'image, tandis que d'autres combinaient différentes approches mathématiques ou regardaient le cerveau en coupes. Les chercheurs ont également créé une version « consensus », où les quatre systèmes votaient sur la réponse finale pour chaque partie du cerveau, espérant qu'en combinant leurs opinions, ils pourraient lisser les erreurs individuelles.
Les résultats ont montré que les trois systèmes tridimensionnels les plus avancés ont très bien performé, avec un score de précision moyen d'environ 0,88 sur 1,0. Cela signifie qu'ils ont correctement identifié la vaste majorité du tissu cérébral. Le quatrième système, qui observait le cerveau en coupes, a réalisé une performance nettement moins bonne, avec un score d'environ 0,79. Cependant, les différences entre les trois meilleurs performeurs étaient si minimes qu'elles étaient à peine perceptibles. En fait, les chercheurs ont constaté que la variation causée par le simple fait de changer les bébés présents dans le groupe d'entraînement était plus grande que la différence entre le meilleur et le deuxième meilleur système. Cela suggère que pour ces outils bien configurés, le choix spécifique de l'algorithme importe moins que la garantie que les données sont traitées correctement. Un système a commis une erreur significative sur deux scans spécifiques, échouant à identifier entièrement plusieurs structures cérébrales profondes, alors que les autres avaient traité ces mêmes scans correctement. Cela a mis en évidence le fait que même les outils de haute performance peuvent avoir des échecs catastrophiques rares qui sont cachés lorsqu'on ne rapporte que le score moyen.
Lorsque les chercheurs ont combiné les prédictions des quatre systèmes en un seul consensus, le résultat s'est avéré encore plus robuste. Cette approche combinée a éliminé tous les échecs totaux, signifiant qu'aucune structure cérébrale n'a été complètement manquée, et elle a légèrement amélioré la précision globale. L'étude a également examiné si l'âge du bébé ou la qualité de l'image affectait les résultats. Ils ont constaté qu'il n'y avait aucune preuve que les outils fonctionnaient mieux ou moins bien à mesure que les nourrissons vieillissaient, même durant la période difficile où le tissu cérébral semble le plus uniforme. De même, les outils ne semblaient pas éprouver plus de difficultés avec certains types de contraste d'image. Les chercheurs ont conclu que, bien que ces outils d'intelligence artificielle soient désormais capables de segmenter les cerveaux de nourrissons avec une grande précision, la manière dont leurs performances sont rapportées doit changer. Se fier à un seul chiffre moyen ne suffit pas ; les chercheurs doivent également rapporter la fréquence à laquelle les outils échouent complètement, à quel point les résultats varient lorsque les données d'entraînement changent, et si les outils sont d'accord entre eux sur une base de cas par cas.
L'étude sert de rappel que, dans le monde de l'imagerie médicale, un score moyen élevé ne garantit ni la sécurité ni la fiabilité pour chaque patient individuel. Les chercheurs ont découvert que deux scans spécifiques étaient responsables de la plupart des erreurs observées dans l'étude, un fait qui aurait été omis si on n'avait regardé que la moyenne du groupe. En vérifiant ces échecs rares et en comprenant comment ces outils se comportent à travers différents groupes de données, les scientifiques peuvent construire des systèmes plus dignes de confiance. La méthode du consensus, qui consiste simplement à laisser plusieurs outils voter sur la réponse, s'est avérée être un moyen simple et efficace d'éliminer les pires erreurs sans nécessiter l'entraînement d'un nouveau modèle complexe. Pour les radiologues pédiatriques et les chercheurs, la voie à suivre ne consiste pas seulement à trouver l'outil le plus précis, mais à établir une norme pour les tester et rapporter leurs résultats, afin de garantir que les outils utilisés pour mesurer le développement d'un enfant sont aussi fiables que la science qu'ils soutiennent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.