top of page

L’Intelligence Artificielle en dentisterie

Dernière mise à jour : 20 déc. 2022

Les nouvelles technologies naissantes et l'essor de l'intelligence artificielle profitent aujourd'hui à de nombreuses industries. Le monde de la dentisterie n'en est pas épargné. Jour après jour, les pratiques se transforment via l'utilisation de nouveaux outils de digitalisation et d'intelligence artificielle. Le dentiste améliore ses techniques de traitement en les rendant plus précises; le parcours patient quant à lui se voit encore plus transparent, sécurisé, et efficace.


Dans cet article, nous présentons un projet de développement d'un outil d'aide au diagnostic en imagerie dentaire, utilisant les dernières avancées du Deep Learning appliqué à la Computer Vision.


La société AIDEN - spécialisée dans la consultation dentaire à distance assistée par IA - a sollicité MCOVISION afin de l'accompagner sur :

  • la collecte et l'annotation d'images radiographiques

  • l'implémentation d'algorithmes de Deep Learning appliqués à la détection et la segmentation de plusieurs structures anatomiques et pathologiques

  • le déploiement d'API en production pour une utilisation des algorithmes en conditions réelles


L’Intelligence Artificielle et la Vision par Ordinateur


L’Intelligence Artificielle, ou IA, est un domaine de recherche mimant le principe de fonctionnement du cerveau humain, pour accomplir un certain nombre de tâches. Lorsque les données manipulées sont des images ou vidéos, on parle de Vision par Ordinateur ou Computer Vision.


La Vision Par Ordinateur est donc un sous-domaine de l’IA qui permet aux ordinateurs d’extraire, d’analyser, et d’interpréter, les informations contenues dans une image ou une vidéo. Les modèles de réseaux de neurones convolutifs, ou CNN, utilisés en Vision par Ordinateur (e.g. [1]) ont permis d’atteindre des niveaux de performance inégalés.


L’imagerie médicale : un challenge pour l'IA


L’imagerie médicale est l'une des branches les plus complexes de l’imagerie, car elle possède certaines contraintes qui lui sont propres :

  • l'acquisition et l'annotation des images médicales peut être complexe, variable (bruit, biais machine, ...), demandant beaucoup d'expertise

  • les données médicales sont très sensibles et doivent donc être anonymisées et sécurisées

  • les structures à détecter ou à segmenter dans les images médicales sont parfois rares et peu observables sur le terrain, comme c'est le cas pour certaines pathologies; les données sont donc parfois peu nombreuses ce qui handicape les réseaux de neurones lors de l'apprentissage; on parle de déséquilibre des classes à prédire

Pour lever l'ensemble des ces barrières, avoir de l'expérience en traitement d'images, et plus spécifiquement en traitement des images médicales, est essentiel. Cette expertise bien spécifique, nos consultants la cultivent et mettent à profit leur expérience pour accélérer les projets IA santé de nos clients.


Système d'aide au diagnostic en radiographie dentaire


L'aide au diagnostic est une tâche réalisée par de nombreux systèmes utilisant la Vision Par Ordinateur. En radiographie dentaire, c’est une tâche essentielle que chaque dentiste est amené à pratiquer de manière fréquente. Même pour le meilleur praticien, la charge de travail quotidienne peut parfois laisser place à un diagnostic erroné. Les pratiques et les niveaux d’expertise peuvent également varier d’un cabinet à un autre, rendant l’analyse et l’interprétation radiographique difficilement coordonnée entre les différents praticiens.


Ainsi, afin d’améliorer et fluidifier le diagnostic en radiographie dentaire, nous avons développé une intelligence artificielle capable de décrire une radiographie, c’est-à-dire de détecter et localiser automatiquement les structures anatomiques et pathologiques présentes dans l’image.


La mise en œuvre d’un tel outil d’aide au diagnostic s’est déroulée en trois étapes :

  • l’annotation des images radios, c’est-à-dire le contourage manuelle des zones de l’image à détecter ou segmenter; cette première étape est essentielle pour permettre à l’intelligence artificielle d’apprendre une information correcte et précise

  • l’entraînement d’un modèle de détection d’objet afin de localiser les dents, certains composants dentaires et structures pathologiques sur la radiographie dentaire

  • l’entraînement d’un modèle de segmentation sémantique visant à délimiter les contours de manière précise sur la radiographie de plusieurs structures anatomiques et pathologiques.

C’est finalement la combinaison des prédictions issues des modèles de détection et de segmentation qui permettra à l’outil de proposer un premier diagnostic au dentiste.


Notons qu’avant d’être communiqué au patient, le résultat prédit par l’intelligence artificielle devra être validé et si nécessaire corrigé par le dentiste.






Deep-Learning supervisé


L’aide au diagnostic que nous avons développée repose sur l’entraînement d’algorithmes de Deep-Learning ou apprentissage profond. Ces algorithmes, basés sur l’entraînement de réseaux de neurones, apprennent à prédire à l’aide d’une base d’images annotées dont on connaît la vérité terrain. Ainsi, afin que ces algorithmes soient performants, une base d’images annotées de plusieurs milliers d’images est requise.


D’un point de vue mathématique, l’entraînement d’un réseau de neurones consiste à rétro-propager au sein du réseau l’erreur de prédiction afin d’améliorer la prédiction. A chaque nouvelle image ou batch d’images passé en entrée du réseau, la prédiction est comparée à l’annotation considérée comme la vérité terrain. Si elle diffère trop de l’annotation, le réseau ajuste ses poids pour mieux faire l’itération d’après. Autrement dit, c’est en confrontant ses prédictions aux annotations que le réseau apprend. On parle d’apprentissage supervisé. Pour avoir un modèle robuste, le réseau doit s’entraîner sur un grand nombre d’images rigoureusement annotées. Une fois entraîné, le modèle peut alors prédire sur des données non annotées, et être déployé en conditions réelles. Ainsi, la qualité des données est primordiale et influence grandement la performance des algorithmes.


Une fois entraîné, le modèle sera capable de prédire sur de nouvelles images encore jamais vues par l'IA en quelques secondes. On parle d'inférence. Pathologies et structures anatomiques seront détectées et serviront à proposer un plan de traitement adéquat pour le patient.


L’IA et la place du médecin


Il est important de souligner que l'industrialisation des nouveaux algorithmes d'IA ne fait en aucun cas abstraction du praticien. Il sert au contraire à l’accompagner et le conforter dans sa prise de décision. Le diagnostic final revient au dentiste, mais il aura pu bénéficier au préalable d’une “première lecture”, qui lui permettra à long terme de gagner du temps au vue de sa charge de travail considérable. L’IA est en réalité la meilleure alliée du médecin, qui produira grâce à elle un diagnostic plus précis, en un temps réduit.



Références


[1] Ronneberger, Olaf and Fischer, Philipp and Brox, Thomas. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015




139 vues0 commentaire

Posts récents

Voir tout

Comments


bottom of page