Le Journal of Medical Imaging & Radiation Sciences (JMIRS) publie un article sur les apports des CAD dans la pratique radiologique dans les zones de déserts médicaux. Les chercheurs donnent l’exemple de la Zambie, où l'on ne compte seulement que neuf radiologues pour plus de 18 millions d’habitants et où les MEM sont souvent appelés à interpréter les images de dépistage.

Mais les CAD sont souvent considérés comme des boîtes noires car les professionnels de Santé ne sont pas formés aux mathématiques complexes qui supportent les algorithmes de deep learning (DL). D’autre part, la précision clinique des CAD peut être incohérente ou erratique et il n'est pas évident de savoir comment un CAD a élaboré ses données de sortie. Une meilleure compréhension fondamentale des DL peut permettre aux médecins d'avoir une meilleure appréhension des CAD, d'une utilisation plus pertinente.

Les objectifs de cet article sur la formation des professionnels aux fondamentaux du DL sont notamment d’acquérir une compréhension intuitive de ces outils, de découvrir des exemples d'architectures DL pour la reconnaissance de formes, d’identifier certains facteurs qui affectent leur précision en utilisant des images non cliniques comme données d'entrée ou d’obtenir des informations à partir de simulations pour échantillonner le comportement des DL.

Les chercheurs ont ainsi développé des exercices de simulation facilement réalisables, structurés en utilisant des analogies avec le cancer du sein, la malignité et le stade du cancer comme exemples d'applications de diagnostic. Les simulations ont révélé une relation nuancée entre la précision des sorties de DL et la quantité et la nature des données. Les résultats de la simulation ont fourni des leçons apprises et des implications pour le monde clinique, applicables même en radiothérapie, de sorte que les prestataires de traitement peuvent également bénéficier de ce didacticiel.

En vous abonnant à l’AFPPE, vous avez accès à l’ensemble des articles du JMIRS.