Dépistage du cancer par la machine learning
MOTIVATION
Etant intéressé de longue date par tout danger pouvant porter atteinte à
notre santé, je m’interroge souvent sur comment peut-on dépister le
cancer ; la bête noire de l’être humain, de façon efficace et avec le
moindre coût. Suite à quoi, j’ai choisi le sujet du dépistage par Machine
Learning.
ANCRAGE
Améliorer l’accès aux diagnostics par la réduction du temps ainsi que les
prix dépassant la capacité de certains membres de la société, peut jouer
un rôle crucial dans la sauvegarde de la santé publique. A l’ère actuelle,
les outils informatiques peuvent, sans doute, y parvenir notamment la
Machine Learning.
MOTS CLES EN FRANCAIS :
Cancer.
Intelligence artificielle.
Imagerie médicale.
Prédiction.
Détection.
MOTS CLES EN ANGLAIS :
Cancer.
Artificial intelligence.
Medical imaging.
Prediction.
Detection.
POSITIONNEMENT THEMATIQUE
Mathématiques Appliquées.
Informatique Pratique.
Informatique Théorique.
BIBLIOGRAPHIE COMMENTEE
La détection précoce a un rôle principal dans le diagnostic du cancer sans oublier qu’elle
influence sur l’augmentation du taux de survie à long terme. Durant les derniers années L'imagerie
médicale est utilisée comme choix premier pour la détection précoce du cancer, sa surveillance et le
suivi post-traitement [1]. Cependant, l’interprétation directe de plusieurs nombres d’image médicale
est une fonction fastidieuse et ennuyeuse. Dès le début des années 1980, la réalisation de plusieurs
systèmes de diagnostic assisté par ordinateur a vu la lumière. Ces derniers sont utilisés et exploiter
dans l’intelligence artificielle qui est le domaine informatique qui cible la résolution des problèmes et
ssqui nécessite une intelligence humaine en premier lieu, par la création des algorithmes qui aide à
atteindre ce but. Ces algorithmes intelligent sont caractérisés par l’auto amélioration pour trouver 44
séries de commande qui aident de faire ou atteindre un objectif. Le but est de s’inspirer du
fonctionnement cognitif du cerveau humain afin de trouver plusieurs solutions pour une large variété
de problèmes. L’apprentissage automatique est une forme de l’intelligence artificielle qui offre aux
ordinateurs le pouvoir d’apprendre sans être guidé avec un programme. Les algorithmes
d'apprentissage automatique sont soit supervisés ou non supervisés. L’expert est indispensable pour
donner les entrées et les sorties souhaitées ainsi que le retour des données sur la précision des
prévisions en cas des algorithmes supervisées. [2]. Nombreux travaux de recherche au cours des
dernières années ont visé l’apprentissage automatique. Ainsi, en traitement d’images, dans ce type
d’apprentissage automatique classique les spécialistes humains choisissent les caractéristiques
d’imagerie qui représente les données visuelles et des techniques statistiques afin de classer les
données en fonction de ces caractéristiques. Apres la fin de l’opération, l'algorithme appliquera ce
qui a été appris à de nouvelles données et il sera capable de généraliser à des cas non connus comme
le fait le cerveau humain. L'apprentissage automatique (ou apprentissage machine, machine Learning
[ML]) est un type d'algorithmes qui améliore la précision des applications logicielles dans la prévision
des résultats sans être explicitement programmées [3]. les applications cliniques de ces approches
d’intelligence artificielle sur les différentes modalités d’imagerie sont particulièrement vastes surtout
dans le domaine médicale, et sont intéressantes pour les travaux de détection, de reconstruction
d’images et de développement de biomarqueurs d’imagerie pour l’aide au diagnostic, l’évaluation
pronostique ou la prédiction de réponses aux traitements [4] .Par exemple, dans le cadre de
détection du cancer du poumon, un algorithme de Deep Learning utilise les scans des différents
parties des poumons d’un patient (actuels et antérieurs) a été proposé pour prédire le risque de ce
type de cancer. Ce prototype avait des excellents résultats sur 6716 patients inclus dans des essais
nationaux de dépistage ; il a été validé sur 1139 cas indépendants avec les mêmes résultats. Le plus
intéressant c’est qu’en absence de l’imagerie précédente, le modèle était plus performant que
l’analyse par le radiologue, permettant une réduction absolue de 11 % des faux positifs, et de 5 % des
faux négatifs. [5] L’apprentissage profond est une grande révolution dans l’analyse automatique des
images. Cependant cette approche nécessite une bonne qualité de données de vérité terrain, car la
précision de la classification de l’apprentissage en profondeur dépend en grande partie de la qualité
et de la taille de l’ensemble de données d’apprentissage. Il s’agit d’entraîner un classifieur avec des
milliers voire des millions d’images choisi par un spécialiste. Ensuite la machine se développe elle-
même sans intervention humaine pour comprendre chaque cas et situation. Parce que le Deep
Learning permet un apprentissage continu, le système peut diagnostiquer certaines maladies plus
précisément que la plupart des médecins [3]. En guise de conclusion, L’apprentissage profond est
une véritable révolution dans le domaine de l’analyse automatique des images. L’intelligence
artificielle utilisée à l’imagerie médicale offre un large champ d’applications cliniques, des études
prospectives de validation de la pertinence clinique de ces outils seront vraisemblablement
nécessaires et indispensables avant de pouvoir les utiliser en routine clinique [6].
Problématique retenue :
les testes du cancer prennent beaucoup de temps, consomment de
l’énergie et nécessitent une somme d’argent, alors peut on trouver une
methode efficace en utilisant des outils informatique qui réduisent du
temps et de l’argent pour détecter cette maladie avec une haute précision
?
LES OBJECTIFS
- Détection de la maldie en se basant sur une base de donnée informatique
- Donner la possibilié d’etre atteint en utilisant l’imagerie médicale
- Diminuer la durée nécessaire pour obtenir les résultats des testes
- création d’une base de données
REFERENCES
1. Fass L. Imaging and cancer: a review. Mol Oncol 2008;2:115-152.
2. Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future
potential. Comput Med Imaging Graph 2007;31:198-211.
3. L’intelligence artificielle au service de l’imagerie et de la santé des femmes Artificial intelligence for
imaging and women's health Christine FERNANDEZ-MALOIGNE a,b,c,d, Rémy GUILLEVIN a,d* ,e,f,g a
Université de Poitiers
4. Limkin EJ, Sun R, Dercle L, Zacharaki EI, Robert C, Reuzé S, et al. Promises and challenges for the
implementation of computational medical imaging (radiomics) in oncology. Ann Oncol 2017; 28:
1191-206. doi: 10.1093/annonc/mdx034.
5. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. A radiomics approach to
assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an
imaging biomarker, retrospective multicohort study. Lancet Oncol 2018; 19: 1180–91.
https://doi.org/10.1016/S1470-2045(18)30413-3.
6. Intelligence artificielle et imagerie médicale Roger Sun1 , Eric Deutsch1 , Laure Fournier2 1 INSERM
U1030, Département de Radiothérapie, Gustave Roussy, université Paris-Saclay, F-94805, Villejuif,
France
