Le cancer du poumon reste la principale cause de décès par cancer dans le monde, en grande partie parce qu'il est souvent détecté trop tard. Lorsque la maladie est prise à un stade précoce, alors que la tumeur est encore petite et confinée, les taux de survie sont élevés. Lorsqu'elle se propage, les perspectives chutent de manière spectaculaire. Pour détecter ces signes précoces, les médecins utilisent la tomographie par ordinateur à faible dose, ou scanners CT, qui produisent des centaines d'images transversales de la poitrine. Un seul scanner produit une pile massive de coupes, créant une carte tridimensionnelle des poumons. Cependant, la lecture de ces scanners est une tâche épuisante pour les radiologues humains. Ils doivent examiner tranche après tranche, à la recherche de petits points ténus qui pourraient être des nodules. Le volume considérable de données entraîne de la fatigue, et même les experts divergent souvent sur ce qu'ils voient. C'est ici que les systèmes informatiques interviennent, promettant d'agir comme une seconde paire d'yeux infatigable, scannant l'ensemble du volume pour signaler les menaces potentielles.

Le défi pour ces ordinateurs est que les données qu'ils analysent sont complexes. Les images ne sont pas des cubes parfaits ; l'espace entre les coupes est souvent beaucoup plus grand que le détail au sein d'une seule coupe. Les outils de vision par ordinateur standard, conçus pour traiter toutes les directions de manière égale, gaspillent des efforts à traiter l'espace vide entre les coupes tout en manquant les détails subtils à l'intérieur de celles-ci. De plus, trouver un nodule est différent de détourer sa forme exacte, pourtant la plupart des systèmes traitent ces tâches comme des fonctions distinctes. Le plus grand obstacle, cependant, est que les nodules sont incroyablement rares par rapport au tissu pulmonaire sain qui les entoure. Dans un minuscule cube de tissu pulmonaire, le nodule peut occuper moins de un pour cent de l'espace. Lorsqu'un programme informatique tente d'apprendre d'un ensemble de données aussi déséquilibré, il abandonne souvent, décidant simplement que chaque point est un tissu sain, car c'est la réponse la plus sûre et la plus facile. Ce document présente un nouveau système conçu pour résoudre ces problèmes spécifiques, permettant à un programme informatique léger de fonctionner sur de petits appareils portables tout en trouvant et en détourant ces zones dangereuses avec une précision surprenante.

Les chercheurs, travaillant depuis des collèges de médecine en Chine, ont développé un nouveau réseau appelé Light3D-NoduleNet. Leur objectif était de construire un système assez petit pour fonctionner sur un appareil de bord (edge device), comme un ordinateur portable utilisé dans une clinique, plutôt que sur une immense ferme de serveurs. Ils ont commencé par redéfinir la façon dont l'ordinateur « regarde » les images 3D. Au lieu d'utiliser un filtre standard cubique qui traite les directions haut-bas, gauche-droite et avant-arrière de la même manière, ils ont créé un filtre asymétrique. Ce filtre comprend que l'image est étirée dans une direction. Il utilise un filtre large et plat pour scanner les motifs détaillés à l'intérieur d'une coupe et un filtre vertical mince pour vérifier les changements entre les coupes. Ce changement simple réduit le nombre de calculs de plus de moitié, rendant le système beaucoup plus rapide et léger sans perdre sa capacité à voir les détails fins.

Pour rendre le système encore plus intelligent, les chercheurs ont ajouté un mécanisme qui permet à l'ordinateur de prêter attention aux parties les plus importantes de l'image. Tout comme un lecteur humain peut se concentrer sur une zone spécifique d'un texte, le système apprend à ajuster sa focalisation en fonction de la profondeur du réseau. Dans les premières couches, il observe les textures locales et petites, tandis que dans les couches plus profondes, il prend du recul pour comprendre les structures plus larges des poumons, telles que les vaisseaux sanguins et les voies respiratoires. Cela aide l'ordinateur à distinguer un vaisseau sanguin inoffensif d'un nodule dangereux, une tâche qui déroute souvent les systèmes plus simples.

La découverte la plus critique de ce travail, cependant, ne concernait pas la vitesse ou l'attention, mais la manière dont l'ordinateur apprend à résoudre deux tâches à la fois. Le système est conçu pour faire deux choses simultanément : d'abord, trouver le centre d'un nodule, et deuxièmement, dessiner le contour exact de ce nodule. Dans des tentatives précédentes, ces deux tâches étaient souvent enseignées séparément ou laissées à travailler de manière isolée. Les chercheurs ont découvert que lorsqu'ils forçaient ces deux tâches à communiquer entre elles, l'ensemble du système s'animait. Ils ont construit un pont entre les deux parties du réseau. La partie trouvant le centre envoie un signal à la partie de détourage, disant : « Regarde ici, c'est là que se trouve l'objet ». En retour, la partie de détourage envoie un signal, disant : « Le bord est ici, donc le centre doit être proche de cette limite ».

Cette conversation bidirectionnelle s'est avérée être la clé pour résoudre le problème du déséquilibre extrême. Sans ce pont, l'ordinateur abandonnerait simplement et déclarerait que tout le poumon est sain, atteignant un score d'environ 0,23 sur sa capacité à trouver les nodules — un résultat connu sous le nom de « solution triviale » où le modèle n'apprend rien d'utile. Les chercheurs ont testé cela en construisant des versions du système sans le pont. Peu importe la façon dont ils ajustaient les autres parties, ces versions restaient bloquées à ce score bas, incapables d'apprendre quoi que ce soit d'utile. Ce n'est que lorsque la connexion bidirectionnelle était présente que le système franchissait la barrière de l'abandon, apprenant à trouver les nodules et à les détourer correctement. Cette découverte suggère que pour que les systèmes médicaux petits et efficaces fonctionnent, ils doivent être conçus avec une boucle intégrée où les différentes tâches se renforcent mutuellement, plutôt que de travailler de manière isolée.

L'équipe a testé son système sur des milliers de scanners CT réels provenant de bases de données médicales publiques. Ils ont comparé leurs résultats à plusieurs modèles plus larges et établis. Malgré un nombre de paramètres bien inférieur et une puissance de calcul moindre, leur système a surpassé les modèles plus grands et plus complexes. Il a atteint un haut niveau de précision pour le détourage des nodules, égalant les performances de systèmes beaucoup plus lourds tout en utilisant une fraction des ressources. Lorsqu'ils ont fait fonctionner le système sur un petit appareil portable conçu pour une utilisation sur le terrain, il a traité les images assez rapidement pour être utile dans un cadre clinique réel, prenant seulement quelques secondes pour analyser une zone candidate.

Les chercheurs ont également exploré l'efficacité du système pour trouver des nodules dans un scanner complet de l'ensemble du poumon. Bien qu'il ne soit pas aussi agressif que les systèmes construits uniquement pour la détection, il a identifié avec succès la vaste majorité des nodules lorsqu'il était combiné à une petite étape supplémentaire pour filtrer les fausses alertes. Le système a prouvé qu'il est possible de créer un outil médical tridimensionnel hautement précis qui tient sur un petit appareil, à condition que l'architecture permette aux différentes parties du système de travailler ensemble dans une boucle fermée. Cette approche offre une nouvelle voie pour apporter le dépistage du cancer du poumon avancé dans des endroits où les grands supercalculateurs ne sont pas disponibles, sauvant potentiellement des vies en rendant la détection précoce plus accessible.