L'IA face aux grands problèmes du monde ─ Médecine et découverte de médicaments
Les sciences et le savoir avancés par l'IA, par discipline
Flux RSS · 17 éléments
Un cadre d'apprentissage profond hiérarchique interprétable pour la détection du cancer du poumon et du côlon
Titre original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
La classification du cancer du poumon et du côlon à partir d'images histopathologiques est difficile, car les classes se ressemblent et la morphologie tissulaire varie, et les modèles d'apprentissage profond conventionnels offrent peu de transparence. Les auteurs découpent la tâche à cinq classes en étapes allant du grossier au fin : d'abord tissu normal ou cancer, puis un classifieur spécialisé pour les catégories de tissu normal ou les sous-types de cancer, avec la meilleure architecture choisie pour chaque étape. Le cadre a atteint une exactitude de 98.50% sur LC25000 et de 82.01% sur le jeu de données indépendant LungHist700, et Grad-CAM, Grad-CAM++, LIME et Occlusion Sensitivity ont été utilisés pour mettre en évidence les régions de l'image à l'origine de ses prédictions.
Prédiction par intelligence artificielle du carcinome hépatocellulaire chez les personnes sans infection par le VHB ou le VHC à l'ère de la MASLD
Titre original: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Les recommandations actuelles de surveillance du cancer du foie (CHC) ciblent principalement les personnes atteintes de cirrhose ou d'hépatite virale. Les chercheurs ont construit un modèle d'IA pour prédire le risque de CHC chez les personnes sans hépatite virale, à partir de données de 7.96 millions d'adultes sud-coréens ayant passé un bilan de santé. Parmi douze modèles comparés, MHA_DNN a obtenu les meilleures performances et a conservé une précision constante dans une cohorte de validation indépendante. L'indice de stéatose hépatique et les triglycérides étaient les prédicteurs les plus influents, ce qui suggère un soutien à une surveillance personnalisée fondée sur le métabolisme.
Un cadre d'apprentissage profond multitâche pour la prédiction automatisée de l'état de santé à partir d'images de fond d'œil rétiniennes, utilisant une attention hybride et une IA explicable
Titre original: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Les modèles d'apprentissage profond existants pour les images de fond d'œil rétiniennes ne gèrent qu'une seule tâche, offrent une interprétabilité limitée et peinent à s'adapter aux variations entre jeux de données. Les auteurs proposent un réseau multitâche qui classe la gravité de la rétinopathie diabétique, le glaucome, le stade de la DMLA et le risque cardiovasculaire à partir d'une seule image en une seule passe avant, avec des explications Grad-CAM. Il a atteint une précision de 94.7 % et une AUC de 0.978 sur quatre jeux de données, surpassant statistiquement tous les modèles monotâche, ainsi qu'une AUC d'au moins 0.951 en évaluation inter-jeux de données en zero-shot.
Un cadre intégrant automates et apprentissage automatique pour le diagnostic intelligent en santé mentale
Titre original: An automata-machine learning integrated framework for intelligent mental health diagnostics
La dépression chez les étudiants passe souvent inaperçue jusqu'à ce qu'elle devienne grave, d'où la nécessité d'une prédiction précoce. Les auteurs ont combiné une modélisation comportementale fondée sur les automates finis avec l'apprentissage automatique, en générant des caractéristiques à partir des états émotionnels des étudiants et en fusionnant les caractéristiques redondantes. Avec un ensemble de forêt aléatoire et de KStar, la précision est passée de 82.02 % pour la référence avec forêt aléatoire à 96.88 % avec les caractéristiques fondées sur les automates. Les auteurs affirment que l'approche préserve l'interprétabilité et la traçabilité des caractéristiques.
Un cadre de validation en plusieurs étapes pour une extraction fiable d'informations cliniques à grande échelle à l'aide de grands modèles de langage
Titre original: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
La validation des grands modèles de langage pour l'extraction d'informations cliniques nécessite généralement une annotation manuelle coûteuse. Les auteurs ont proposé un cadre en plusieurs étapes combinant filtrage par règles, ancrage sémantique, évaluation par un LLM juge, revue par des experts et analyse de la validité prédictive. Appliqué aux diagnostics de troubles liés à l'usage de substances dans 919 783 notes cliniques, il a écarté 14,59 % des extractions positives du LLM comme non étayées ou invraisemblables. Le LLM principal a obtenu un score F1 de 0,80 par rapport aux évaluations du juge, et les diagnostics qu'il a extraits prédisaient mieux l'engagement ultérieur dans des soins spécialisés que les références fondées sur des données structurées.
L'IA détecte la maladie coronarienne à partir de photos du visage et de la langue lors d'un petit test
Titre original: AI detects coronary heart disease from face and tongue photos in small test
Une nouvelle étude menée en Chine a entraîné un système d'IA sur des photographies du visage et de la langue afin de détecter la maladie coronarienne (MC). Lors d'un petit test, le système a correctement identifié tous les patients atteints de MC.
Identification des bruits pulmonaires adventices chez des enfants atteints de maladies respiratoires au Bangladesh à l'aide de l'intelligence artificielle et de l'auscultation numérique
Titre original: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Les lignes directrices de la prise en charge intégrée des maladies de l'enfant ont une sensibilité élevée mais une faible spécificité pour la pneumonie. Des agents de santé au Bangladesh ont enregistré les bruits pulmonaires d'enfants de moins de cinq ans suspectés de pneumonie à l'aide d'un stéthoscope numérique, et un algorithme d'IA a été comparé à un panel de pédiatres. L'IA a détecté les bruits anormaux avec une sensibilité de 61,8 % et une spécificité de 60,7 % au global, et de 63,5 % et 66,8 % dans les cas de pneumonie selon la PCIME. Les auteurs qualifient cette performance de modérée, une amélioration étant nécessaire pour classer les enregistrements ininterprétables.
Étiquetage autonome des marges de résection chirurgicale à l'aide d'un modèle de fondation
Titre original: Autonomous labeling of surgical resection margins using a foundation model
L'évaluation des marges de résection chirurgicale en pathologie est entravée par les erreurs d'encrage manuel, la distorsion des tissus et les lésions dues à la cautérisation. Les auteurs ont développé un réseau d'encrage virtuel qui s'appuie sur un modèle de fondation figé et un petit classifieur pour cartographier la marge sur des lames numérisées entières, sans encre physique. Sur 20 lames issues de blocs tissulaires inédits, il a atteint environ 73,3 % de précision au niveau des régions et a produit des superpositions correspondant qualitativement aux annotations d'experts. Ces résultats constituent une preuve de concept et doivent être validés sur des cohortes cliniques plus vastes.
Phénotypage clinique de la graisse brune humaine par intelligence artificielle
Titre original: Artificial intelligence-enabled clinical phenotyping of human brown fat
Les méthodes permettant de quantifier à grande échelle l'activité du tissu adipeux brun (TAB) chez l'être humain faisaient défaut. À partir des données de 101 243 patients d'un grand centre de cancérologie, les auteurs ont quantifié de façon semi-automatique l'activité du TAB chez environ 8 700 patients grâce à l'apprentissage automatique. Une activité du TAB plus élevée, en particulier dans le dépôt axillaire, était associée à une probabilité plus faible de maladie cardiométabolique et à une répartition plus saine de la graisse blanche.
Un modèle de fondation tout-en-un pour la restauration et l'amélioration d'images médicales multimodales
Titre original: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound est un modèle de fondation qui restaure et améliore les images médicales dégradées par le bruit, les artefacts de mouvement, le faible contraste ou une acquisition à faible dose, sur sept modalités, dont le scanner (CT), l'IRM, la TEP, l'endoscopie, l'échographie, le fond d'œil et la radiographie. Entraîné sur 3,76 millions d'images appariées, il a surpassé 38 modèles de référence spécifiques à une tâche ou généraux sur les métriques de qualité d'image, l'évaluation par les cliniciens et les tests de robustesse. Les images améliorées ont également amélioré 44 tâches de détection de maladies, la prédiction du stade tumoral et la stratification du risque de survie dans le cancer du poumon non à petites cellules.
Des signaux cachés dans le sommeil peuvent prédire la santé future
Titre original: Hidden signals in sleep can predict future health
Les outils d'IA peuvent extraire d'une seule nuit de sommeil des schémas physiologiques que les mesures classiques du sommeil ne détectent pas, et ces schémas sont liés aux maladies et à la mortalité. Deux articles récents, parus dans Nature Communications et Nature Medicine, suggèrent que les données de sommeil contiennent bien plus d'informations sur la santé que les cliniciens et les chercheurs n'en extraient actuellement. De plus en plus d'éléments indiquent également que des modifications du sommeil peuvent apparaître avant le diagnostic d'une maladie.
L'analyse par apprentissage automatique du transport de particules par les cils permet de distinguer la dyskinésie ciliaire primitive des cils normaux
Titre original: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
La dyskinésie ciliaire primitive (DCP) est une maladie génétique caractérisée par des cils dysmobiles, et son diagnostic reste difficile. Les auteurs ont développé CiliaTracks, un cadre d'apprentissage automatique qui analyse le transport de particules sur des cellules des voies respiratoires cultivées, capturé par microscopie à haute vitesse. Des modèles classiques d'apprentissage automatique et un réseau de neurones convolutif ont classé les enregistrements de 14 personnes atteintes de DCP et de 10 donneurs sains avec une précision de 95-97 %.
Segmentation des tumeurs cérébrales par égalisation d'histogramme optimisée par essaim de particules et U-Net basé sur VGG19
Titre original: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
La segmentation des tumeurs cérébrales en IRM est lente, sujette aux erreurs et affectée par le biais de l'opérateur, et les modèles d'apprentissage profond manquent souvent d'interprétabilité. Les auteurs proposent SPOHE-VGGNet, qui combine un U-Net modifié avec VGG-19 et une égalisation d'histogramme optimisée par essaim de particules pour améliorer le contraste des IRM. Il a atteint des scores de Dice de 0,9522 (méningiome), 0,9428 (gliome) et 0,9518 (tumeur hypophysaire) sur le jeu de données Figshare, et de 0,9463 pour la segmentation de la tumeur entière sur BraTS 2021, même si les auteurs précisent qu'une validation externe, volumétrique et centrée sur les cliniciens reste nécessaire avant tout usage clinique.
Exploiter les modèles de fondation géospatiaux planétaires d'Earth AI pour la santé publique mondiale
Titre original: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Les décisions de santé publique sont souvent ralenties par les délais de déclaration, les données cloisonnées et les données éparses. Le Population Dynamics Foundation Model (PDFM) de Google condense des tendances de recherche respectueuses de la vie privée, la mobilité humaine, la densité du bâti et des facteurs environnementaux en plongements de localisation. Ces plongements peuvent être intégrés aux modèles épidémiologiques existants sans ajustement fin spécifique à une tâche, et cinq études de cas de partenaires ont été présentées.
Un pipeline fondé sur l'apprentissage profond pour différencier la cardiomyopathie hypertrophique de l'amylose cardiaque à partir de l'échocardiographie 2D multi-vues
Titre original: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
La cardiomyopathie hypertrophique (CMH) et l'amylose cardiaque (AC) se ressemblent à l'échocardiographie, ce qui les rend difficiles à distinguer. L'étude a mis au point un cadre d'apprentissage profond qui classe les images d'échocardiographie 2D en cinq vues cliniquement pertinentes, extrait les caractéristiques de chaque vue et les fusionne. En validation croisée en cinq blocs sur 212 patients atteints de CMH, 119 patients atteints d'AC et 200 patients témoins, il a atteint une précision de 0,83, une sensibilité de 0,81, une spécificité de 0,89 et un micro-F1 de 0,82, et les auteurs le décrivent comme un outil diagnostique fiable.
Une nouvelle formulation aide les vaccins à ARN à résister aux températures élevées
Titre original: New formulation helps RNA vaccines withstand high temperatures
Les vaccins à ARN nécessitent généralement un stockage à très basse température ; des chercheurs du MIT ont donc utilisé un algorithme d'IA pour ajuster la formulation autour des nanoparticules lipidiques qui délivrent les vaccins à ARNm. L'algorithme a prédit des formulations optimales, réduisant le nombre d'expériences nécessaires et accélérant le développement. Les vaccins obtenus sont restés stables jusqu'à un an à température ambiante ou deux mois à près de 100 °F, et chez la souris, un vaccin contre le Covid-19 a produit une réponse immunitaire aussi forte que celle d'un vaccin à ARN similaire à celui de Moderna.
Estimer le risque suicidaire à partir de texte
Titre original: Estimating suicide risk from text
Identifier les personnes présentant un risque élevé de suicide est une priorité pour les conseillers lors des crises de santé mentale. Des chercheurs du McGovern Institute du MIT ont mis au point un outil de traitement du langage qui recherche dans un texte les mots et expressions liés à 49 facteurs de risque suicidaire afin d'estimer le risque d'un individu. Lors de conversations écrites avec des conseillers en situation de crise, l'outil a prédit avec exactitude le risque suicidaire, et avec davantage de validation, il pourrait soutenir l'évaluation du risque en milieu clinique et dans les dispositifs d'aide en situation de crise.