| Évaluation des performances d’un outil dédié aux médecins généralistes, visant à l’amélioration de la coopération homme-machine dans le dépistage du mélanome grâce à la détection des cas suspects par l'intelligence artificielle (Performance evaluation of a tool designed for general practitioners, aimed at improving human-machine cooperation in melanoma screening through the detection of suspicious cases using artificial intelligence) | ||
Zanchetta, Marianne - (2024-11-28) / Universite de Rennes - Évaluation des performances d’un outil dédié aux médecins généralistes, visant à l’amélioration de la coopération homme-machine dans le dépistage du mélanome grâce à la détection des cas suspects par l'intelligence artificielle Langue : Français Directeur de thèse: Boussemart , Lise Thématique : Médecine et santé | ||
Mots-clés : IA, Dermatologue, mélanome, photos, dépistage, soins de santé , Mélanome, Intelligence artificielle en médecine, Dermatologie, Photographie médicale Résumé : Contexte : La détection précoce du mélanome améliore considérablement les taux de survie des patients. L'apprentissage profond a démontré une précision équivalente à celle des dermatologues dans l'évaluation des lésions cutanées pigmentées en analysant les images au niveau des pixels. Cependant, ces réseaux neuronaux peuvent rencontrer des difficultés avec des images "réelles" en raison de données d'entraînement limitées et d'artefacts d'image. Objectifs : Notre étude visait à créer un algorithme d'apprentissage profond innovant et à évaluer sa performance dans la classification des lésions pigmentées bénignes et pigmentées malignes sur un large éventail de jeux de données, en commençant par des bases de données publiques d'images dermoscopiques, suivies par des images dermoscopiques collectées par des dermatologues, et pour finir par des photos "réelles" prises par des médecins généralistes dans le cadre de la télédermatologie. Méthodes : Nous avons entraîné notre modèle avec le grand ensemble de données ISIC composé de 65 109 images uniques étiquetées après filtrage. Une stratégie d'optimisation innovante a été appliquée pour créer une catégorie "douteuse" dérivée des deux catégories originales : mélanome et non mélanome. Nous avons ensuite évalué la performance de notre algorithme sur la base de données GLOMEL de 2 672 images dermoscopiques en comparaison avec les résultats pathologiques, et sur 294 images de lésions pigmentées collectées rétrospectivement dans les cliniques de dermatologie ambulatoires et sur deux plateformes de télémédecine, en comparaison avec les recommandations des experts. Résultats : Notre algorithme a démontré une nette amélioration des performances en signalant les cas "douteux" par rapport à l'approche binaire traditionnelle. Avec cette nouvelle méthode, il a atteint une performance robuste, comparable à celle des dermatologues dans la classification du mélanome, utilisant une variété d'images dermoscopiques et d'images cliniques haute résolution. Cette méthode est cliniquement pertinente car elle met en évidence, via la catégorie “douteuse", quelles lésions nécessitent l'avis d'experts humains et lesquelles sont des cas évidents. Conclusion : Ces résultats montrent le potentiel de HUVY pour aider les médecins généralistes à faire des demandes plus éclairées en distinguant les mélanomes probables, les lésions douteuses et les lésions clairement bénignes. Libérés de ⅔ des demandes pour des lésions bénignes, il permet aux spécialistes de se concentrer sur les cas les plus critiques ou incertains. Points Clés : ● Pourquoi l'étude a-t-elle été menée ? L'étude vise à démontrer la performance de la détection du mélanome par IA à trois niveaux pour améliorer l'exactitude des demandes, en mettant 22 l'accent sur l'accélération des soins pour les patients présentant des lésions à haut risque, en adressant les cas incertains et en filtrant la majorité des cas bénins. Cette démonstration a été réalisée en utilisant un ensemble de données très varié, y compris des photos réelles. ● Qu'apporte cette étude ? Cette étude démontre la capacité de l'IA à améliorer les demandes des médecins généralistes dans les cas évidents, tout en concentrant la télé-expertise sur les cas plus incertains. Elle souligne également la nécessité d'une formation utilisateur approfondie, en mettant en avant l'importance des images de haute qualité pour maximiser la précision. ● Quelles sont les implications de cette étude pour la compréhension des maladies et/ou les soins cliniques ? Cette étude montre le potentiel de l'IA pour accélérer les soins dans les cas à haut risque, en tant que filtre pré-analytique automatisé pour libérer du temps pour les dermatologues. L'IA peut aider les professionnels de santé à prendre des décisions plus éclairées, particulièrement dans les cas difficiles, ce qui conduit à des diagnostics plus précis, de meilleurs résultats et une utilisation efficace des ressources Résumé (anglais) : Background: Early detection of melanoma significantly boosts patient survival rates. Deep learning has demonstrated dermatologist-level accuracy in assessing pigmented skin lesions by analyzing images at the pixel level. However, these neural networks may face challenges with "real-life" images due to limited training data and image artefacts. Objectives: Our study aimed to create an innovative deep learning algorithm and further assess its performance in classifying melanoma and non-melanoma lesions across a range of datasets, beginning with publicly available dermoscopic image databases, followed by dermoscopic images collected by dermatologists, and concluding with real-life pictures taken by primary care professionals for teledermatology. Methods: We trained our model with the ISIC large dataset of 65,109 unique labelled images after filtering. An innovative optimization strategy was applied to create a "doubtful" category derived from the two original categories: melanoma and non-melanoma. We then assessed the performance of our algorithm on the GLOMEL database of 2,672 dermoscopic images in comparison with pathological results, and on 294 images of pigmented lesions retrospectively collected from the outpatient dermatology clinics, and 2 telemedicine platforms, in comparison with experts’ recommendations. Results: Our algorithm demonstrated a sharp increase of performance when communicating on “doubtful” cases versus the traditional binary approach. With this new method, it achieved a robust performance in comparison to dermatologists in melanoma classification using a variety of dermoscopy images and high-resolution clinical images. This method is clinically relevant because it highlights, via the "doubtful" category, which lesions require the insight of human experts and which ones are clear-cut cases. Conclusions: These results demonstrate HUVY's potential to help primary care providers make more informed referrals by distinguishing between likely melanomas, doubtful lesions and clearly benign lesions. Freed from ⅔ of demands on benign lesions it allows specialists to focus on these most critical or uncertain cases. Key Points: ● Why was the study undertaken? The study aims to demonstrate the performance of AI-based three-level melanoma detection in improving referral accuracy, with a focus on expediting care for patients with high-risk lesions, referring to uncertain cases, and filtering out the majority of benign cases. This demonstration was conducted using a highly variable dataset, including real- life pictures. 24 ● What does this study add? This study demonstrates AI's ability to enhance primary care professionals' referrals in clear-cut cases, while concentrating tele-expertise on more uncertain cases. It also underscores the need for thorough user training, emphasising the importance of high-quality images to maximise accuracy. ● What are the implications of this study for disease understanding and/or clinical care? This study shows AI's potential in accelerating care for high risk cases, as a pre-analytical automated filter to save dermatologists’ time. AI can help healthcare professionals in making more informed decisions, particularly in difficult cases, leading to more accurate diagnoses, better outcomes, and efficient resource use Identifiant : rennes1-ori-wf-1-20521 | ||
| Exporter au format XML |