Blog

Jun 07, 2024

Où en sommes-nous en matière d’IA pour l’analyse d’images endoscopiques ? Décrypter les lacunes et les orientations futures

npj Digital Medicine volume 5, Numéro d'article : 184 (2022) Citer cet article 5830 Accès 3 Citations 15 Détails d'Altmetric Metrics Les développements récents dans le domaine de l'apprentissage profond ont permis une approche basée sur les données

npj Digital Medicine volume 5, Numéro d'article : 184 (2022) Citer cet article

5830 Accès

3 citations

15 Altmétrique

Détails des métriques

Les développements récents en matière d’apprentissage profond ont permis la création d’algorithmes basés sur les données qui peuvent atteindre des performances au niveau humain et au-delà. Le développement et le déploiement de méthodes d’analyse d’images médicales présentent plusieurs défis, notamment l’hétérogénéité des données due à la diversité de la population et aux différents fabricants d’appareils. En outre, une contribution accrue des experts est nécessaire pour un processus de développement de méthodes fiable. Même si la croissance exponentielle des données d’imagerie clinique a permis l’essor du deep learning, l’hétérogénéité des données, la multimodalité et les cas de maladies rares ou peu visibles doivent encore être explorés. L'endoscopie étant fortement dépendante de l'opérateur et entraînant des résultats cliniques sombres dans certains cas de maladie, un système de guidage automatisé fiable et précis peut améliorer les soins aux patients. La plupart des méthodes conçues doivent être plus généralisables aux données cibles invisibles, à la variabilité de la population de patients et aux apparences variables de la maladie. L’article passe en revue les travaux récents sur l’analyse d’images endoscopiques avec l’intelligence artificielle (IA) et souligne les besoins actuels inégalés dans ce domaine. Enfin, il décrit les orientations futures des solutions d’IA complexes cliniquement pertinentes pour améliorer les résultats pour les patients.

L'endoscopie est une procédure de référence pour de nombreux organes creux. Il est principalement utilisé pour la surveillance des maladies, la surveillance de l’inflammation, la détection précoce du cancer, la caractérisation des tumeurs et les procédures de résection, les interventions thérapeutiques mini-invasives et la surveillance de la réponse thérapeutique. L'analyse d'images endoscopiques a commencé à attirer davantage d'attention ces dernières années avec un nombre excédentaire de méthodes basées sur l'imagerie endoscopique publiées dans les domaines de la détection assistée par ordinateur (CADe)1,2,3,4,5 et du diagnostic assisté par ordinateur (CADx)6. ,7,8,9,10,11 et chirurgie assistée par ordinateur (CAS)12,13,14,15,16. Contrairement à d'autres données radiologiques (par exemple, radiographie, tomodensitométrie, IRM), l'imagerie endoscopique et son analyse sont un sujet hautement spécialisé et stimulant. L'imagerie endoscopique a des dépendances multifactorielles, notamment une grande dépendance de l'opérateur (par exemple, l'expérience et la formation), des problèmes liés à la portée (par exemple, la variabilité de la qualité de l'imagerie) et la dynamique sous-jacente de la scène (par exemple, une corruption imminente des images avec des artefacts graves, des mouvements d'organes importants et dérives de surface17). Les normes de qualité des interventions endoscopiques gastro-intestinales sont discutées dans plusieurs études directrices notables18,19. Certains travaux récents ont exploré les domaines de l’apprentissage profond pour automatiser les mesures permettant d’évaluer la qualité de l’endoscopie. Ces éléments sont particulièrement essentiels pour quantifier les angles morts20,21. Alors que la reconstruction 3D basée sur SLAM était utilisée pour générer des cartes du côlon18, la longueur et la superficie du précurseur du cancer gastro-intestinal supérieur (GI), l'œsophage de Barrett, ont été quantifiées à l'aide d'une technique d'estimation de la profondeur basée sur l'apprentissage profond22. De même, la tâche la plus cruciale pour les interventions chirurgicales mini-invasives (par exemple, laparoscopie) est de comprendre et d'interpréter la scène sous-jacente.

Bien qu'une reconstruction 3D d'organes creux soit vitale, elle est difficile à réaliser pour plusieurs raisons, notamment une déformation hautement non linéaire des organes, un fouillis de scène (par exemple, écoulement de liquide, sang) et une occlusion (par exemple, graisse entourant une opération du foie). Ainsi, la plupart des recherches se concentrent sur l’évaluation de scènes locales à l’aide de méthodes de classification, de détection et de segmentation. La détection et la caractérisation des lésions ainsi que leur délimitation sont un objectif principal de l'endoscopie gastro-intestinale1,2,3,4,5,6,7,8,9,10,11. De même, la segmentation ciblée des calculs et sa caractérisation constituent une priorité en urétéroscopie23 et la détection des tumeurs24 a été explorée en cystoscopie. Pour les interventions laparoscopiques mini-invasives, la classification des outils chirurgicaux12, la détection et la segmentation13, la reconnaissance de phase12,14, la segmentation des repères associés15 et la superposition de volumes 3D préopératoires sur laparoscopique 2D interopératoire16 ont été un domaine d'intérêt. Un résumé représentatif des objectifs clés et des diverses tâches d'analyse d'images endoscopiques pour différentes interventions endoscopiques est présenté sur la Fig. 1.