Combler le manque d’imagerie médicale avec la Data Science

-
2
 m de lecture
-
Radiologue examinant une radio

Les médecins qui se spécialisent dans les maladies rares n'ont que peu d'occasions d'apprendre au fur et à mesure. Le manque de données diverses sur les soins de santé pour former les étudiants est un défi majeur dans ces domaines. C’est pourquoi des chercheurs de l’université de Stanford ont décidé d’utiliser le potentiel de Stable Diffusion pour créer des images de radiographies synthétiques.

Comment ont-ils procédé ?

Pierre Chambon et Christian Bluethgen ont découvert que le code open source de Stable Diffusion pourrait être efficace pour créer des imageries médicales. Les modèles de base ne donnent pas de bons résultats pour les demandes spécifiques car leurs bases de données sont trop génériques. Mais en utilisant des données d’entraînement provenant des rapports textuels des radiologues, ils ont réussi à générer leurs premières radiologies de poumons humains avec des anomalies

Papier avec écrit Open Source dessus

LANCEZ VOTRE CARRIÈRE :
DEVENEZ DATA SCIENTIST !

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez notre formation de Data Scientist.

LANCEZ VOTRE CARRIÈRE :
DEVENEZ DATA SCIENTIST !

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ?

Découvrez notre formation de Data Scientist

A quel point ces images sont-elles réalistes ?

Les chercheurs ont expérimenté plusieurs tests et ont fait évaluer leurs résultats par leurs collègues radiologues. Ils ont découvert que leur modèle de deep learning, appelé RoentGen, pouvait reproduire une anomalie dans une image radiologique synthétique avec une précision de 95 %. L’équipe a ensuite intensifié ses efforts de formation en utilisant des dizaines de milliers de radiographies pulmonaires et les rapports correspondants. Désormais, le modèle peut créer des images de radiographies pulmonaires avec une plus grande fidélité et une diversité accrue. Il permet également un contrôle plus fin des caractéristiques de l’image, comme la taille et la disposition des poumons.

Les deux scientifiques espèrent que cela pourrait conduire à une meilleure compréhension des maladies rares et à l’élaboration de nouveaux protocoles de traitement, sans avoir à payer un prix élevé pour la puissance de calcul.

Radiologie réel et synthétique

Grâce à la Data Science les instituts de santé et de recherche peuvent combler leur manque de données et s’aider d’un assistant intelligent. Ces innovations permettent de meilleurs diagnostics et une prise en charge personnalisée de chaque patient. Différentes IA contribuent à la détection de maladies comme celle d’ATUSA pour le dépistage du cancer du sein. C’est pourquoi, si la Data Science vous intéresse ou si vous envisagez une carrière dedans, n’hésitez pas à découvrir nos offres de formations et nos autres articles sur DataScientest.

Source : hai.stanford.edu

Facebook
Twitter
LinkedIn

DataScientest News

Inscrivez-vous à notre Newsletter pour recevoir nos guides, tutoriels, et les dernières actualités data directement dans votre boîte mail.

Vous souhaitez être alerté des nouveaux contenus en data science et intelligence artificielle ?

Laissez-nous votre e-mail, pour que nous puissions vous envoyer vos nouveaux articles au moment de leur publication !

Newsletter icone
icon newsletter

DataNews

Vous souhaitez recevoir notre
newsletter Data hebdomadaire ?