L’intelligence artificielle (IA) peut aider à détecter les cancers de la peau dans la pratique clinique quotidienne, mais un obstacle réside dans le fait que les décisions prises par les algorithmes ne sont souvent pas compréhensibles. Des scientifiques du Centre allemand de recherche sur le cancer ont mis au point un système d’assistance basé sur l’IA pour le diagnostic du cancer de la peau, qui fournit des explications sur les décisions prises par les algorithmes. L’objectif est de renforcer la confiance des médecins dans les applications d’IA.
Le mélanome est responsable de la plupart des décès liés au cancer de la peau dans le monde, mais il est difficile de le distinguer des autres tumeurs cutanées à un stade précoce. Les progrès récents dans le domaine des systèmes d’aide au diagnostic basés sur l’IA peuvent aider les dermatologues à diagnostiquer plus précisément les mélanomes et les grains de beauté à partir d’images numérisées de lésions suspectes. Mais quelles sont les caractéristiques qui déterminent le résultat d’un système d’IA ? “La responsabilité finale d’un diagnostic incombe au clinicien. C’est pourquoi les dermatologues sont légitimement prudents quant à l’utilisation de systèmes basés sur l’IA sans pouvoir comprendre leurs décisions”, a expliqué PD Dr. med. Titus Brinker du Centre allemand de recherche sur le cancer (DKFZ) [1]. “Notre objectif était donc de développer un système de soutien adapté au point de vue des dermatologues lors du diagnostic du mélanome et d’expliquer leur prise de décision”, explique le Dr Brinker [1].
| Étude MELVEC à l’Université de Bâle De nouveaux systèmes de photographie 3D du corps entier basés sur l’intelligence artificielle, avec une analyse logicielle assistée par ordinateur pour évaluer le risque d’une lésion pigmentée de la peau, ont le potentiel d’améliorer la détection précoce du cancer noir de la peau et donc d’influencer positivement le pronostic de la maladie. L’étude MELVEC menée à l’Université de Bâle examine l’utilisation de la dernière photographie 3D du corps entier pour le dépistage du mélanome. Plus précisément, l’étude analyse l’efficacité de l’utilisation supplémentaire de systèmes de photo-analyse logicielle basés sur l’IA et leur utilisation chez les patients à haut risque de mélanome (supplémentaire) dans le cadre du dépistage précoce par rapport à la norme actuelle, les contrôles cliniques par un dermatologue. Outre les avantages potentiels et la précision de cette nouvelle technologie dans le cadre du monde réel, l’acceptation par les patients de cette procédure innovante et la charge émotionnelle liée au cancer de la peau ainsi que les besoins de soutien psychologique à différents stades de la maladie seront également évalués. L’étude MELVEC est en cours depuis 2020 et a déjà inclus plus de 400 patients. |
| vers [3 .4] |
“Une intelligence artificielle explicable”
“Dans la lignée de travaux antérieurs, nous avons développé notre IA explicable (XAI = intelligence artificielle explicable) développée de manière à fournir des explications de type dermatologique, basées sur les caractéristiques de zones spécifiques et individuelles de la lésion”. [1]. L’équipe du Dr Brinker a mené une étude en trois phases pour évaluer l’impact sur la précision du diagnostic, la sécurité du diagnostic et la confiance des dermatologues dans le système explicatif. [1,2]. Les chercheurs ont également voulu savoir quels facteurs favorisaient la confiance des médecins dans cette technique. Plus d’une centaine de dermatologues de 33 pays ont participé à l’enquête. Les médecins ont diagnostiqué un panel test d’images numérisées de différentes lésions à trois reprises, sur la base de leur seule expérience, avec l’aide d’un système d’IA classique et avec la XAI. Comme cela a déjà été documenté dans des études antérieures, l’utilisation d’un système d’IA a augmenté la précision du diagnostic du mélanome, mais cette précision n’a pas été améliorée par l’utilisation de XAI. La confiance des dermatologues dans leur propre décision s’est également améliorée avec le soutien de l’IA – et a encore augmenté de manière significative avec l’utilisation du système XAI. Les médecins avaient une confiance particulière dans leur propre diagnostic lorsque leurs critères de décision correspondaient largement aux critères énumérés par la XAI. “Les résultats illustrent le fait que la XAI peut améliorer la sécurité des diagnostics des cliniciens et a le potentiel d’augmenter l’acceptation par les professionnels de la santé de l’utilisation des méthodes d’IA”, a déclaré le Dr Brinker, responsable de l’étude.
| MedUni Vienna : “Reinforcement Learning” pour un meilleur diagnostic du cancer de la peau Une équipe de recherche internationale a exploré l’apprentissage par renforcement (“Reinforcement Learning”) comme méthode permettant d’obtenir une plus grande précision dans les résultats de l’IA en intégrant des critères de décision humains. Les chercheurs ont intégré des critères sous la forme de “tableaux de récompense” dans le système d’IA. Les tableaux de récompenses sont des outils qui intègrent les conséquences positives et négatives des évaluations cliniques dans le processus de prise de décision, tant du point de vue des médecins que de celui des patients. Sur cette base, les résultats du diagnostic de l’IA n’étaient pas seulement évalués comme étant corrects ou incorrects, mais étaient également récompensés ou pénalisés par un certain nombre de points positifs ou négatifs, en fonction de l’impact du diagnostic ou des décisions qui en découlaient. Cela a permis d’améliorer considérablement la précision : La sensibilité pour les mélanomes, par exemple, est passée de 61,4% à 79,5% et pour les carcinomes basocellulaires de 79,4% à 87,1%. Globalement, le taux de diagnostics corrects établis par les dermatologues a augmenté de 12%. L’étude a été publiée dans la revue Nature Medicine . |
| d’après [6] |
L’IA n’est plus une “boîte noire
Parmi les conditions proposées par la Commission européenne pour les applications d’IA de confiance, la visibilité, la transparence et la responsabilité jouent un rôle important. Si les algorithmes d’IA sont une “boîte noire”, cela peut avoir un impact négatif sur l’adoption par les utilisateurs. D’autant plus que la médecine moderne promeut les diagnostics basés sur des preuves comme base pour les décisions thérapeutiques. C’est pourquoi la technique de l’intelligence artificielle explicable (XAI ) a été développée afin d’accroître la fiabilité des prédictions et des estimations générées par l’IA en expliquant comment les conclusions basées sur l’IA ont été obtenues.
Littérature :
- “L’assistance basée sur l’IA pour le diagnostic du cancer de la peau explique ses décisions”, DKFZ, 17.01.2024.
- Chanda T, et al : Dermatologist-like explainable AI enhances trust and confidence in diagnosing melanoma. Nature Communications 2024,
DOI: 10.1038/s41467-023-43095-4 - “Augmentation alarmante des cas de cancer de la peau : La photographie 3D du corps entier assistée par l’IA à la rescousse ?”, www.skincancer.ch/newsletter-28,(dernière consultation 21.02.2024)
- “Objectif de l’étude”, www.hautkrebs-basel.ch,(dernière consultation 21.02.2024).
- Smuha NA : The EU Approach to Ethics Guidelines for Trustworthy Artificial Intelligence. Computer Law Review International ; 2019 ; Vol. 20 ; iss. 4 ; 97-106.
- Barata C, et al : A reinforcement learning model for AI-based decision support in skin cancer. Nat Med 2023 ; 29(8) : 1941-1946.
DERMATOLOGIE PRAXIS 2024 ; 34(1) : 29 (publié le 25.2.24, ahead of print)
