Un nouvel algorithme d’apprentissage en profondeur peut repérer les caractéristiques des lésions cutanées impaires et détecter le mélanome avec une grande précision

L’intelligence artificielle commence à se combiner avec la technologie des smartphones de manière à avoir des impacts profonds sur la façon dont nous surveillons la santé, du suivi des changements de volume sanguin chez les diabétiques à la détection des commotions cérébrales en filmant les yeux. Utiliser la technologie pour détecter le mélanome à ses débuts est une autre possibilité intéressante, et un nouveau système de deep learning développé par des scientifiques de Harvard et du MIT promet un nouveau niveau de sophistication, en utilisant une méthode couramment utilisée par les dermatologues connue sous le nom des critères du «vilain petit canard».

Utiliser les smartphones pour détecter les cancers de la peau est une idée que les scientifiques explorent depuis plus d’une décennie. En 2011, une application iPhone utilisait l’appareil photo de l’appareil et un logiciel de reconnaissance de formes basé sur l’image pour fournir des évaluations des risques de grains de beauté et de taches de rousseur inhabituels. En 2017, un autre exemple passionnant a été développé dans lequel une IA a pu utiliser l’apprentissage en profondeur pour détecter les cancers potentiels de la peau avec la précision d’un dermatologue qualifié.

Le nouveau système développé par les chercheurs du MIT et de Harvard exploite à nouveau des algorithmes d’apprentissage en profondeur pour viser le cancer de la peau, mais avec quelques différences clés. Jusqu’à présent, les algorithmes conçus pour détecter automatiquement les cancers de la peau ont été formés pour analyser les lésions cutanées individuelles à la recherche de caractéristiques étranges pouvant indiquer un mélanome, ce qui est un peu différent du fonctionnement des dermatologues.

Pour mieux évaluer quels grains de beauté peuvent être cancéreux, l’équipe s’est plutôt tourné vers le critère du «vilain petit canard», qui est basé sur le concept selon lequel la plupart des grains de beauté d’un individu se ressemblent et ceux qui ne le sont pas, les soi-disant vilains canetons, sont reconnus comme un signe d’alerte du mélanome. Les chercheurs affirment que leur système est le premier du genre à reproduire ce processus, et ils ont commencé par créer une base de données de plus de 33 000 images grand champ contenant non seulement la peau d’un patient, mais d’autres objets et arrière-plans.

Ces images contenaient à la fois des lésions suspectes et non suspectes, qui ont été marquées par trois dermatologues qualifiés. L’algorithme d’apprentissage en profondeur a été formé sur cette base de données et, après un certain temps de raffinement et de test, a pu distinguer les lésions dangereuses des lésions bénignes, bien que cela soit toujours basé sur ses évaluations des objets individuels.

Tout comme le font les dermatologues, un nouvel algorithme d’apprentissage en profondeur est conçu pour détecter les caractéristiques étranges de lésions cutanées potentiellement dangereuses

L’équipe a intégré la vilaine méthode du canard en créant des cartes 3D de toutes les lésions d’une image donnée – réparties sur le dos d’un patient, par exemple – et a effectué des calculs sur l’étrange des caractéristiques de chaque lésion. En comparant le caractère inhabituel de certaines de ces caractéristiques à celles d’autres lésions de l’image, le système est capable d’attribuer des valeurs et de déterminer celles qui étaient dangereuses.

Ceci est décrit comme la première définition quantifiable des critères du vilain petit canard, et la technologie a été mise à l’épreuve pour identifier les lésions suspectes chez 68 patients différents à l’aide de 135 photos grand champ. Les lésions individuelles ont reçu un score de bizarrerie basé sur la gravité de leurs caractéristiques, les évaluations étant comparées à celles effectuées par trois dermatologues qualifiés. L’algorithme était d’accord avec le consensus des dermatologues 88% du temps et des dermatologues individuels 86% du temps.

«Ce haut niveau de consensus entre l’intelligence artificielle et les cliniciens humains est une avancée importante dans ce domaine, car l’accord entre les dermatologues est généralement très élevé, environ 90%», déclare le co-auteur Jim Collins. «Essentiellement, nous avons été en mesure d’atteindre une précision de niveau dermatologue dans le diagnostic des lésions potentielles du cancer de la peau à partir d’images pouvant être prises par n’importe qui avec un smartphone, ce qui ouvre un énorme potentiel pour détecter et traiter le mélanome plus tôt.»

L’équipe a rendu l’algorithme open source et continuera à le développer dans l’espoir de mener des essais cliniques plus tard. Un domaine sur lequel ils se concentreront est de permettre à l’algorithme de fonctionner sur toute l’étendue des tons de peau humaine, pour s’assurer qu’il s’agit d’un outil clinique universellement applicable.

https://stm.sciencemag.org/content/13/581/eabb3652

https://wyss.harvard.edu/news/identifying-ugly-ducklings-to-catch-skin-cancer-earlier/