La grande majorité des modèles d’IA utilisés en médecine aujourd’hui sont des “spécialistes étroits”, formés pour effectuer une ou deux tâches, telles que la numérisation de mammographies à la recherche de signes de cancer du sein ou la détection de maladies pulmonaires sur des radiographies pulmonaires.
Mais la pratique quotidienne de la médecine implique une gamme infinie de scénarios cliniques, de présentations de symptômes, de diagnostics possibles et d’énigmes de traitement. Ainsi, si l’IA doit tenir sa promesse de remodeler les soins cliniques, elle doit refléter cette complexité de la médecine et le faire avec une grande fidélité, déclare Pranav Rajpurkar, professeur adjoint d’informatique biomédicale à l’Institut Blavatnik du HMS.
Semblables aux médecins généralistes, a expliqué Rajpurkar, les modèles d’IA médicale généraliste peuvent intégrer plusieurs varieties de données – tels que les IRM, les rayons X, les résultats des exams sanguins, les textes médicaux et les exams génomiques – pour effectuer une gamme de tâches, de la fabrication des appels diagnostiques complexes pour appuyer les décisions cliniques afin de choisir un traitement optimum. Et ils peuvent être déployés dans une variété d’environnements, de la salle d’examen à la salle d’hôpital en passant par la suite d’interventions gastro-intestinales ambulatoires et la salle d’opération cardiaque.
Alors que les premières versions de l’IA médicale généraliste ont commencé à émerger, son véritable potentiel et la profondeur de ses capacités doivent encore se matérialiser.
“Les capacités en évolution rapide dans le domaine de l’IA ont complètement redéfini ce que nous pouvons faire dans le domaine de l’IA médicale”, écrit Rajpurkar dans une point of view récemment publiée dans Nature, dont il est co-auteur principal avec Eric Topol de Scripps Exploration. Institute et ses collègues de l’Université de Stanford, de l’Université de Yale et de l’Université de Toronto.
L’IA médicale généraliste est sur le level de transformer la médecine clinique telle que nous la connaissons, mais cette opportunité s’accompagne de sérieux défis, selon les auteurs.
Dans l’article, les auteurs discutent des caractéristiques déterminantes de l’IA médicale généraliste, identifient divers scénarios cliniques dans lesquels ces modèles peuvent être utilisés et tracent la voie à suivre pour leur conception, leur développement et leur déploiement.
Caractéristiques de l’IA médicale généraliste
Les principales caractéristiques qui rendent les modèles d’IA médicale généraliste supérieurs aux modèles conventionnels sont leur adaptabilité, leur polyvalence et leur capacité à appliquer les connaissances existantes à de nouveaux contextes.
Par exemple, un modèle d’IA traditionnel formé pour repérer les tumeurs cérébrales sur une IRM cérébrale examinera une lésion sur une impression pour déterminer s’il s’agit d’une tumeur. Il ne peut fournir aucune information and facts au-delà de cela. En revanche, un modèle généraliste examinerait une lésion et déterminerait de quel type de lésion il s’agit – une tumeur, un kyste, une infection ou autre selected. Il peut recommander des assessments supplémentaires et, selon le diagnostic, suggérer des options de traitement.
« Par rapport aux modèles actuels, l’IA médicale généraliste sera capable d’effectuer un raisonnement moreover sophistiqué et d’intégrer plusieurs forms de données, ce qui lui permettra de construire une impression furthermore détaillée du cas d’un patient », a déclaré le co-leading auteur de l’étude, Oishi Banerjee, associé de recherche en le laboratoire de Rajpurkar, qui travaille déjà à la conception de tels modèles.
Selon les auteurs, les modèles généralistes pourront :
- Adaptez-vous facilement à de nouvelles tâches sans avoir besoin d’un recyclage formel. Ils effectueront la tâche en se la faisant simplement expliquer en anglais very simple ou dans une autre langue
- Analysez divers forms de données – photos, textes médicaux, résultats de laboratoire, séquençage génétique, antécédents de patients ou toute combinaison de ceux-ci – et générez une décision. En revanche, les modèles d’IA conventionnels sont limités à l’utilisation de kinds de données prédéfinis – texte uniquement, graphic uniquement – et uniquement dans certaines combinaisons
- Appliquer les connaissances médicales pour raisonner à travers des tâches inédites et utiliser un langage médicalement précis pour expliquer leur raisonnement
Scénarios cliniques d’utilisation de l’IA médicale généraliste
Les chercheurs décrivent de nombreux domaines dans lesquels des modèles d’IA médicale généraliste offriraient des options complètes.
Certains d’entre eux sont:
- Rapports de radiologie. L’IA médicale généraliste agirait comme un assistant de radiologie numérique polyvalent pour réduire la demand de travail et minimiser le travail par cœur.
Ces modèles pourraient rédiger des rapports de radiologie décrivant à la fois les anomalies et les résultats normaux pertinents, tout en tenant compte des antécédents du individual.
Les modèles seraient également en mesure de comparer les résultats antérieurs et actuels sur l’image d’un patient pour éclairer les changements révélateurs suggérant la development de la maladie.
- Assistance chirurgicale en temps réel. Si une équipe opératoire rencontre un obstacle au cours d’une procédure – comme l’incapacité à trouver une masse dans un organe – le chirurgien peut demander au modèle de revoir les 15 dernières minutes de la procédure pour rechercher tout manque ou oubli.
Si un chirurgien rencontre une caractéristique anatomique ultra-uncommon pendant la chirurgie, le modèle pourrait accéder rapidement à tous les travaux publiés sur cette procédure pour offrir un aperçu en temps réel.
- Aide à la décision au chevet du affected person. Les modèles généralistes offriraient des alertes et des recommandations de traitement aux clients hospitalisés en surveillant en permanence leurs signes vitaux et d’autres paramètres, y compris les dossiers du affected person.
Les modèles seraient en mesure d’anticiper les urgences imminentes avant qu’elles ne surviennent. Par exemple, un modèle peut alerter l’équipe clinique lorsqu’un client est sur le level de subir un choc circulatoire et suggérer immédiatement des mesures pour l’éviter.
En avant, promesse et péril
Selon les auteurs, les modèles d’IA médicale généraliste ont le potentiel de transformer les soins de santé. Ils peuvent atténuer l’épuisement professionnel des cliniciens, réduire les erreurs cliniques et accélérer et améliorer la prise de décision clinique.
Pourtant, ces modèles présentent des défis uniques. Leurs caractéristiques les furthermore fortes – polyvalence et adaptabilité extrêmes – présentent également les additionally grands risques, avertissent les chercheurs, car elles nécessiteront la collecte de données vastes et diverses.
Certains pièges critiques incluent :
- Besoin d’une development approfondie et go on. Pour s’assurer que les modèles peuvent changer rapidement de modalités de données et s’adapter en temps réel en fonction du contexte et du style de question posée, ils devront suivre une development approfondie sur diverses données provenant de multiples resources et modalités complémentaires.
Cette development devrait être entreprise périodiquement pour se tenir au courant des nouvelles informations.
Par exemple, dans le cas de nouvelles variantes du SRAS-CoV-2, un modèle doit être capable de récupérer rapidement les principales caractéristiques sur les visuals radiographiques de la pneumonie causée par une variante as well as ancienne pour contraster avec les modifications pulmonaires associées à une nouvelle variante.
- Validation. Les modèles généralistes seront particulièrement difficiles à valider en raison de la polyvalence et de la complexité des tâches qu’ils seront appelés à effectuer.
Cela signifie que le modèle doit être testé sur un substantial éventail de cas qu’il pourrait rencontrer pour garantir sa bonne performance.
Cela se résume à, a déclaré Rajpurkar, à définir les conditions dans lesquelles les modèles fonctionnent et les ailments dans lesquelles ils échouent.
- Vérification. Par rapport aux modèles conventionnels, l’IA médicale généraliste traitera beaucoup as well as de données, des sorts de données additionally variés et des données d’une plus grande complexité.
Cela rendra d’autant furthermore difficile pour les cliniciens de déterminer la précision de la décision d’un modèle.
Un seul radiologue ou pathologiste pouvait vérifier si le modèle était correct.
Par comparaison, un modèle généraliste pourrait analyser des diapositives de pathologie, des tomodensitogrammes et de la littérature médicale, parmi de nombreuses autres variables, pour classer et stadifier la maladie et faire une recommandation de traitement.
Une décision aussi complexe nécessiterait une vérification par un panel multidisciplinaire comprenant des radiologues, des pathologistes et des oncologues pour évaluer l’exactitude du modèle.
Les chercheurs notent que les concepteurs pourraient faciliter ce processus de vérification en incorporant des explications, telles que des liens cliquables vers des passages de soutien dans la littérature, pour permettre aux cliniciens de vérifier efficacement les prédictions du modèle.
Une autre caractéristique importante serait de construire des modèles qui quantifient leur niveau d’incertitude.
- Les préjugés. Ce n’est un magic formula pour personne que les modèles d’IA médicale peuvent perpétuer des biais, qu’ils peuvent acquérir pendant la formation lorsqu’ils sont exposés à des ensembles de données limités obtenus à partir de populations non diversifiées.
Ces risques seront amplifiés lors de la conception de l’IA médicale généraliste en raison de l’ampleur et de la complexité sans précédent des ensembles de données nécessaires au cours de leur development.
Pour minimiser ce risque, les modèles d’IA médicale généraliste doivent être soigneusement validés pour s’assurer qu’ils ne sont pas sous-performants sur des populations particulières, telles que les groupes minoritaires, recommandent les chercheurs.
De moreover, ils devront être soumis à des audits et à une réglementation continus après leur déploiement.
“Ce sont des obstructions sérieux mais pas insurmontables”, a déclaré Rajpurkar. “Avoir une compréhension lucide de tous les défis dès le début aidera à garantir que l’IA médicale généraliste tient sa formidable promesse de changer la pratique de la médecine pour le mieux.”
