Objectif
Comprendre les concepts de base de l'intelligence artificielle.
Obtenir une meilleure compréhension des façons dont l'intelligence artificielle façonnera l'avenir de la radiologie.
Se familiariser avec la terminologie commune utilisée dans l'intelligence artificielle.
Connaitre les applications actuelles et l’impact futur de l'apprentissage automatique en radiologie.
Résultats
L'intelligence artificielle (IA) intervient dans la détection des anomalies, leur caractérisation et dans le suivi ultérieur de la pathologie.
Les applications cliniques de ces approches d’intelligence artificielle sur les différentes modalités d’imagerie sont particulièrement vastes, et sont intéressantes pour les tâches de détection, de reconstruction d’images et de développement de biomarqueurs d’imagerie pour l’aide au diagnostic, l’évaluation pronostique ou la prédiction de réponse aux traitements.
Conclusion
L’utilisation de méthodes d’intelligence artificielle (IA) pour la reconnaissance d’images est une des branches les plus développées du domaine et ces technologies sont maintenant utilisées de façon courante dans notre quotidien. Dans le domaine de l’imagerie médicale, les approches basées sur l’intelligence artificielle sont particulièrement prometteuses, avec de nombreuses applications et un engouement important dans le domaine de la recherche de nouveaux biomarqueurs. Il est donc vital pour les radiologues d'avoir une compréhension approfondie du sujet.
L'IA en imagerie médicale augmente l'efficacité, réduit les erreurs et permet d'atteindre les objectifs avec moins d'intrants en fournissant aux radiologues formés des images présélectionnées et des caractéristiques identifiées.
Les tâches d'imagerie radiologique consistent principalement à quantifier et à évaluer les caractéristiques radiologiques des images.
Deux catégories de méthodes d'IA sont largement utilisées aujourd'hui. La première utilise des caractéristiques élaborées à la main qui sont définies en termes d'équations mathématiques et qui peuvent donc être quantifiées à l'aide de programmes informatiques.
La seconde méthode, l'apprentissage profond (deep learning), permet d'apprendre automatiquement des représentations de caractéristiques à partir de données sans qu'il soit nécessaire de les définir au préalable par des experts humains.