Après des décennies de développement, d’essais et d’erreurs et d’argent dépensé, vous pourriez penser qu’au moment où votre tête est placée dans un scanner d’imagerie par résonance magnétique (IRM) dans un hôpital, la partie difficile de regarder à l’intérieur du cerveau est terminée. Mais souvent, c’est l’analyse qui vient après avoir quitté le scanner qui s’avère la plus difficile pour les médecins. Le taux d’erreur pour l’analyse d’images reste alarmant et les radiologues sont invités à gérer et à traiter un plus grand nombre de numérisations chaque année. L’automatisation peut-elle aider? Nous avons parlé au Dr Chris Airriess, PDG de CorTechs Labs Inc., qui a développé un logiciel d’analyse post-traitement appelé NeuroQuant conçu pour rationaliser le pipeline d’analyse. Nous avons interrogé Chris sur les défis actuels de l’analyse, sur les ensembles de données sur lesquels NeuroQuant serait formé et si le grand public confiera ses analyses médicales à une IA.

Ruairi Mackenzie (RM): Quel est le flux de travail actuel pour analyser une analyse de neuroimagerie? Qu’est-ce qui est difficile maintenant? Quelles sont les principales préoccupations des docs?

Chris Airriess (CA): Les cliniciens sont plus pressés que jamais avec des montagnes de données à analyser et un flux de travail qui ne s’arrête jamais. Lorsqu’il s’agit d’analyser des images radiologiques, les radiologues doivent formuler leur évaluation le plus rapidement possible – un défi majeur dans les cas subtils avec des scans bruyants ou à faible résolution et un manque de preuves empiriques objectives pour étayer un diagnostic. Bien que de telles décisions soient basées sur leur meilleur jugement, un autre médecin peut avoir une évaluation différente, ou le même médecin peut évaluer le même scanner différemment s’il est revu un autre jour. En post-traitant le scan avec un logiciel tel que NeuroQuant, les radiologues peuvent utiliser des données numériques objectives pour identifier et suivre de nombreux biomarqueurs cliniquement pertinents.

La technologie de résonance magnétique s’est considérablement améliorée depuis son adoption pour une utilisation clinique dans les années 1980 et joue souvent un rôle crucial en aidant les médecins à diagnostiquer et surveiller de nombreuses maladies et affections. Comme pour toutes les technologies, l’évolution continue des techniques d’IRM est continue, dans le but d’améliorer le confort du patient et d’optimiser la voie du diagnostic. Avec l’intelligence artificielle et les algorithmes informatiques d’aujourd’hui, le post-traitement des images joue un rôle de plus en plus important dans la fourniture de mesures objectives et de biomarqueurs. Les médecins doivent donc commander moins de tests avant de poser un diagnostic définitif.

RM: Comment l’automatisation peut-elle améliorer ce flux de travail?

CA: Automation résout les problèmes de flux de travail en augmentant l’efficacité et en réduisant les erreurs humaines et peut également augmenter l’uniformité entre les lecteurs dans une pratique. Plus précisément, l’automatisation peut aider à attirer l’attention sur les régions de pathologie qui pourraient ne pas être détectées à l’œil nu, fournir des preuves empiriques objectives pour étayer un diagnostic, réduire les impressions vagues et réduire le nombre de tests nécessaires pour établir un diagnostic définitif. L’automatisation des workflows améliore également la vitesse de lecture des études longitudinales grâce à des comparaisons automatiques fournissant une quantification précise des changements ainsi que des faits saillants visuels des régions changeantes. Il réduit également les erreurs de dictée, en remplissant automatiquement les rapports avec des données lorsque le logiciel est intégré aux systèmes de dictée. L’automatisation fournit également des données objectives qui peuvent réduire le besoin de sur-lectures ou de secondes interprétations.

RM: Comment la neuroimagerie basée sur l’analyse de données améliorera-t-elle le diagnostic des maladies neurologiques?

CA: La neuroimagerie basée sur l’analyse de données est une prochaine étape logique, où les parties prenantes ont de grands espoirs de rationaliser le diagnostic des conditions neurologiques. Les patients bénéficieront d’un diagnostic plus précoce et plus précis, et les radiologues bénéficieront de données objectives pour l’interprétation, d’un débit plus élevé et de la capacité de fournir des rapports plus significatifs à leurs médecins traitants.

L’une des principales forces de la neuroimagerie optimisée par l’analyse de données est qu’elle peut fournir des preuves empiriques dans des cas subtils, éliminant les conjectures et les impressions vagues. Il améliore également la gestion des soins aux patients (comme l’évaluation de la réponse aux médicaments, aux thérapies et aux traitements) et améliore les résultats pour les patients en leur fournissant les bons traitements et en suivant les réponses au traitement au fil du temps.

RM: L’IA est aussi bonne que les données sur lesquelles elle est entraînée. Avec quels jeux de données le logiciel de CorTechs Labs sera-t-il formé?

CA: NeuroQuant a été développé et formé sur des milliers de cas sélectionnés provenant de sources publiques et privées. La base de données normative a été établie à partir de plusieurs milliers d’analyses organisées, y compris des études accessibles au public, des partenaires de collaboration et d’autres sources de données propriétaires couvrant la tranche d’âge de trois à 100 ans.