Le diagnostic des maladies de la peau en Chine : une intelligence artificielle peut-elle rivaliser avec les dermatologues ?
En Chine, le diagnostic des maladies de la peau est souvent retardé en raison d’une pénurie criante de dermatologues. Le ratio est alarmant : un dermatologue pour 60 000 patients. La plupart des spécialistes expérimentés se trouvent dans les grandes villes, laissant les zones rurales démunies. Les médecins généralistes, faute d’expérience, commettent souvent des erreurs de diagnostic ou retardent les traitements. Face à ce défi, une solution innovante a été développée : un système d’aide au diagnostic basé sur l’intelligence artificielle (IA). Cette technologie pourrait-elle révolutionner la prise en charge des maladies cutanées en Chine ?
Une étude récente a évalué les performances d’un modèle d’IA dans le diagnostic des tumeurs cutanées et du psoriasis. Ce modèle, basé sur un réseau de neurones convolutifs (CNN, un type d’algorithme d’apprentissage profond), a été comparé à 164 dermatologues. Les résultats sont surprenants : l’IA a montré une précision comparable à celle des experts humains.
Comment fonctionne ce système d’IA ?
Le modèle a été entraîné à l’aide de deux ensembles de données. Le premier comprenait 7 192 images dermatoscopiques (des images grossies de la peau) pour différencier trois tumeurs cutanées courantes : le carcinome basocellulaire (BCC), le naevus mélanocytaire (MN) et la kératose séborrhéique (SK). Le second ensemble incluait 3 115 images pour distinguer le psoriasis d’autres maladies inflammatoires. Les images provenaient de patients ayant consulté à l’hôpital de l’Union médicale de Pékin entre 2016 et 2018.
Pour garantir la qualité des données, les images floues, celles présentant plusieurs lésions ou des interférences (comme des fibres de vêtements ou des cheveux) ont été exclues. Les images ont été annotées par des experts avec plus de cinq ans d’expérience, et les désaccords ont été résolus par un troisième expert. Les données ont été divisées en ensembles d’entraînement, de validation et de test dans un ratio de 8:1:1, avec une validation croisée pour assurer la robustesse du modèle.
Une précision impressionnante
Le modèle multi-classes (pour les tumeurs) a atteint une précision de 81,49 %, tandis que le modèle à deux classes (pour le psoriasis) a obtenu 77,02 %. Dans une étude comparant l’IA à 164 dermatologues, les performances étaient similaires. Par exemple, pour le BCC, les dermatologues ont montré une sensibilité de 0,770 et une spécificité de 0,962, contre 0,800 et 1,000 pour l’IA. Pour le MN, les chiffres étaient de 0,807 et 0,897 pour les dermatologues, contre 0,800 et 0,840 pour l’IA. Pour le SK, l’IA a même surpassé les humains avec une sensibilité de 0,850 contre 0,624.
Dans la classification du psoriasis, l’IA a montré une sensibilité parfaite (1,000) mais une spécificité plus faible (0,605), ce qui signifie qu’elle a correctement identifié tous les cas de psoriasis mais a parfois confondu d’autres maladies avec cette affection. Globalement, l’IA et les dermatologues ont montré une cohérence modérée avec le diagnostic de référence, sans différence significative.
Pourquoi cette technologie est-elle prometteuse ?
Cette étude souligne le potentiel de l’IA pour améliorer le diagnostic des maladies de la peau, en particulier dans les régions où l’accès aux dermatologues est limité. Les modèles développés, bien qu’entraînés sur un nombre relativement modeste d’images, ont rivalisé avec des dermatologues certifiés. Cela suggère que l’IA pourrait être utilisée comme outil de pré-dépistage dans les hôpitaux de soins primaires, permettant de prioriser les cas complexes pour les spécialistes.
L’étude a également utilisé des graphiques t-SNE pour visualiser les caractéristiques internes apprises par le modèle. Ces graphiques montrent que les images similaires étaient regroupées, prouvant que l’IA peut distinguer les maladies cutanées en fonction des caractéristiques dermatoscopiques.
Des limites à considérer
Cependant, cette technologie n’est pas sans limites. Premièrement, les données provenaient d’un seul hôpital, ce qui pourrait limiter la généralisation des résultats. Deuxièmement, le diagnostic était basé uniquement sur des images dermatoscopiques, alors que les dermatologues prennent également en compte les images cliniques, l’historique du patient et d’autres facteurs. Troisièmement, l’étude ne couvrait que 11 maladies, une fraction minime des lésions cutanées rencontrées en pratique clinique.
Conclusion
Cette étude montre que des modèles d’IA entraînés sur des ensembles de données modestes peuvent rivaliser avec des dermatologues certifiés. Ces outils pourraient révolutionner le diagnostic des maladies de la peau, en particulier dans les régions sous-équipées. Cependant, des recherches supplémentaires sont nécessaires pour élargir les ensembles de données, intégrer des sources d’information supplémentaires et valider les modèles dans divers contextes cliniques.
For educational purposes only.
doi.org/10.1097/CM9.0000000000001023