Applications médicales de l’intelligence artificielle : opportunités & challenges

25 juin 2020

Auteurs : M. Durand, A. Shaikh, M. Billi, E. Lechevallier
Référence : Progrès FMC, 2020, 2, 30, F63

On recense un nombre croissant d’applications médicales qui utilisent de l’intelligence artificielle (IA) et du machine learning . Actuellement en urologie, il y a peu d’outils concrets bien qu’il existe des projets en cours rapidement applicables à notre exercice, notamment en oncologie prostatique. D’ailleurs, de récentes autorisations réglementaires pour des usages dans d’autres domaines médicaux témoignent du fait qu’une vague d’IA pourrait investir nos pratiques. L’analyse de ces innovations et l’étude de leurs caractéristiques à l’origine de leur validation réglementaire renseignent sur les perspectives de recherche et de développements de l’IA dans notre spécialité. L’apport de l’IA pourrait être réparti en 3 catégories : l’assistance (IA-A), la substitution (IA-S) ou l’extension (IA-X) de l’expertise médicale humaine. Les freins à son émancipation seraient réduits d’autant que l’intégralité de ses 3 champs d’usage serait considérée sans se réduire à la seule IA-S, source du fantasme d’une intelligence concurrente de celle de l’homme. Dès lors, des évolutions du contexte réglementaire d’évaluation et de validation en matière d’innovation en IA seraient alors nécessaires pour en permettre l’essor dans nos pratiques et en autoriser la commercialisation sur notre marché, voire le remboursement selon certains usages.




 



L'intelligence artificielle (IA) et l'apprentissage automatique (machine learning [ML]) progressent dans différents domaines de recherche médicale. Malgré des avancées académiques prometteuses dans lesquelles les algorithmes commencent à surpasser les performances humaines, l'implication de l'IA dans la pratique clinique des pays les plus avancés demeure confidentielle [1]. C'est aussi vrai en urologie bien qu'il existe des projets en cours rapidement applicables à notre exercice, notamment en oncologie prostatique. L'IA repose sur des principes de fonctionnements particuliers et suit des tendances d'innovation qu'il convient de bien appréhender pour anticiper les évolutions que nous vivrons en pratique. L'analyse de récentes autorisations dans d'autres spécialités laisse à penser que c'est l'imagerie qui bénéficiera en premier le plus de l'IA/ML dans notre quotidien. L'observation de ces innovations nous renseigne sur les champs de recherche et voies de développement à investir en urologie et ouvre sur l'établissement d'une classification d'usage de l'IA qu'il importe de connaître tout comme les freins inhérents à son émergence.


L'intelligence artificielle, machine learning , deep learning


L'IA existe depuis des décennies, initialement inventée en 1956 par John McCarthy Professeur adjoint de l'université de Dartmouth. Toutefois, les progrès étaient limités parce qu'il était extrêmement complexe de programmer à la main les algorithmes. Les activités sophistiquées, comme les diagnostics médicaux, la prédiction de résultats, impliquent des milliers de jeux de données et des relations non linéaires entre les variables. C'est l'accélération de la puissance du calcul informatique qui a permis de rentrer dans l'âge d'or de l'IA. Elle profite en particulier aujourd'hui au ML où les progrès sont rapides et importants.


Le ML est une branche de l'IA basée sur l'idée que le système apprend un modèle à partir d'une base de données à grande échelle en utilisant des outils probabilistes et statistiques et en prenant des décisions ou des prévisions sur les nouvelles données [2]. Dans notre spécialité urologique, c'est l'imagerie médicale, en particulier en oncologie, qui dispose du plus grand nombre de données nécessaires à l'exploitation de l'IA/ML. Les récents progrès dans l'IA/ML sont très significatifs dans le secteur de l'analyse d'images. Dans ce domaine, la détection et le diagnostic assistés par ordinateur, qui est une combinaison de l'ingénierie des fonctionnalités d'imagerie et de la classification ML, ont montré leur potentiel pour aider les radiologues à diagnostiquer avec précision, en réduisant le temps de diagnostic [3]. Les méthodes d'ingénierie des fonctionnalités traditionnelles sont basées sur l'extraction de fonctionnalités d'imagerie quantitative telles que la texture, la forme, le volume, l'intensité et diverses fonctionnalités statistiques à partir des données d'imagerie, suivies d'un classificateur ML tel que Support Vector Machines (SVM), Adaboost et Decision Trees [4, 5, 6].


Les algorithmes du ML apprennent par l'entraînement. Un algorithme reçoit d'abord des exemples dont les résultats sont connus, note la différence entre ses prévisions et les résultats corrects et s'accorde avec des pondérations pour affiner sa précision de ses prédictions jusqu'à ce qu'elles soient optimisées. La caractéristique des algorithmes en ML est que la qualité de leurs prédictions s'améliore avec l'expérience. Plus l'on fournit de données en quantité (jusqu'à un certain point), meilleurs sont les moteurs de prédiction. Le ML pourrait ainsi bénéficier aujourd'hui des nombreuses données obtenues par l'imagerie IRM haute résolution. Des résultats expérimentaux sur l'IRM 7T du cancer de prostate apportent un niveau de différence de signal inférieur à la taille d'un millimètre [7] qui pourrait servir de bases élémentaires pour entraîner l'IA/ML à la détection de l'adénocarcinome prostatique.


Il existe plus de 15 méthodes d'apprentissage en ML dont chacune utilise une structure algorithmique différente pour optimiser des prédictions basées sur les données reçues. Une approche particulière, deep learning (DL) ou apprentissage approfondi, donne des résultats actuellement particulièrement révolutionnaires. Le DL, contrairement à la programmation qui se contente d'exécuter une liste de règles prédéterminées, est capable d'apprendre par lui-même en s'appuyant sur l'apprentissage de modèles de données. Il évite au programmeur d'avoir à assumer les tâches de spécification de fonction (définissant les caractéristiques à analyser à partir des données) et l'optimisation (comment peser les données pour fournir une prévision précise) — l'algorithme fait les deux.


L'enjeu du DL est de modéliser le cerveau pour ne pas traiter les informations avec des règles exhaustives mais plutôt en utilisant la pratique et la rétroaction. À la manière d'un enfant qui découvre le monde, le DL utilise une approche équivalente. Inspiré du modèle du cortex visuel, le DL fonctionne de façon quasi similaire à la fonction des neurones du cerveau humain en formant un réseau neuronal convolutif profond. Il reçoit une entrée, l'analyse, prend une décision et est informé si sa détermination est correcte. C'est un mécanisme d'apprentissage par l'erreur. Dans l'hypothèse où la réponse était fausse, les connexions entre les neurones sont ajustées par l'algorithme, changeant les prévisions futures. Initialement, le réseau est erroné de nombreuses fois. Puis nourris de millions d'exemples, les connexions neuronales sont réglées permettant au réseau de prendre la bonne décision. Ces réseaux de neurones convolutifs n'ont pas été largement répandus avant la publication d'une étude de référence en 2012 sur la classification ImageNet [8]. Depuis, ils ont connu des succès significatifs dans divers champs d'applications.


Le DL s'est particulièrement illustré dans des domaines comme le traitement automatique du langage naturel, ou la reconnaissance audio et la bio-informatique avec l'arrivée notamment dans les ménages d'application automatique de commande vocale type Siri, ou Google Home. Les méthodes d'apprentissage en profondeur ont aussi apporté des résultats prometteurs dans une variété de tâches de vision assistée par ordinateur telles que la segmentation, la classification et la détection d'objets. En imagerie médicale, c'est la détection des tumeurs qui intéressent particulièrement. Différentes architectures de réseaux de neurones convolutifs sont de plus en plus étudiées en tant que solutions prometteuses pour concevoir des outils de diagnostic assisté par ordinateur plus précis pour la détection du cancer.


C'est la convergence de toutes ces innovations associant réseaux de neurones artificiels multicouches, algorithmes d'analyse discriminante et croissance de la puissance de calcul informatique permettant le traitement de données massives, qui profite à l'applicabilité de l'IA en médecine. L'évolution technologique dans ce domaine suit une progression parallèle des outils informatiques, des idées de ML et des applications de microscopie et d'imagerie comme le montre la Figure 1. Cette logique de progrès en chaîne dans des domaines distincts bénéficie à l'établissement prochain d'une application qui pourrait permettre notamment la reconnaissance automatique du cancer de prostate par IRM prostatique. Dans ce processus d'apprentissage par DL, les données de départ sont essentielles. Plus le système accumule des images précises et différentes, plus il devient performant. C'est ainsi que les images hautes résolutions IRM [9] pourraient contribuer à l'avènement du DL dans le diagnostic par imagerie du cancer de prostate.


Figure 1
Figure 1. 

Progression parallèle des outils informatiques, des idées de machine learning et des applications de microscopie et d'imagerie est représentées.




La reconstruction d'image demeure néanmoins difficile aujourd'hui encore en particulier à cause du bruit qui induit des distorsions compliquant la transformation inverse analytique exacte. Les méthodes les plus récentes adoptent des modèles d'apprentissage pilotés par les données pour cartographier la transformation entre les espaces de capteurs et d'images, au lieu de s'appuyer sur un traitement de signal complexe des données acquises et sur les difficultés de réglage des paramètres associés. Ceci est permis notamment par les progrès de la puissance de calcul qui ont conduit à ces nouvelles techniques d'analyses et à des améliorations significatives de la reconnaissance d'image dont on observe des applications en vie réelle hors champ médical, comme le système de reconnaissance faciale Apple des iPhone X (San Francisco, CA, USA).


Récemment, la communauté de chercheurs a souhaité associer à l'acquisition d'images, des résultats cliniques quantitatifs conduisant à l'émergence et au développement de la radiomique [10]. Précisément, ce domaine de la génomique d'imagerie, où les données de radiomique et l'information génomique sont combinées, a pris de l'ampleur. Différentes applications ont déjà été publiées notamment au sujet de l'usage de la radiomique pour prédire des risques d'échec thérapeutique dans le cancer de la prostate grâce à l'usage de l'IRM biparamétrique [11]. Ces études récentes utilisant la radiomique et la génomique d'imagerie ont aussi permis de quantifier l'hétérogénéité lésionnelle tumorale et de fournir des informations sur la transformation, l'évolution et la pharmacorésistance de la maladie, ouvrant ainsi de nouvelles perspectives pour la médecine personnalisée.


Analyse de pénétration de l'IA dans la pratique clinique


L'analyse des applications actuelles d'imagerie utilisant de l'IA pour un usage clinique courant renseigne sur les directions de recherche scientifique à envisager dans ce domaine. La première moitié de l'année 2018 a été marquée par l'arrivée de 3 acteurs de l'IA dans l'imagerie. Leurs solutions ont toutes été approuvées, pour la première fois, par le Food and Drug Administration (FDA) des États-Unis.


Il s'agit notamment de l'application Viz.ai (San Francisco, CA, USA), pour les accidents vasculaires cérébraux aigus, qui utilise le DL pour la détection automatique de l'occlusion des vaisseaux cérébraux à l'angio-TDM et l'appel immédiat du radiologue interventionnel de garde.


C'est aussi le cas du logiciel IDx-DR capable de détecter sur fond d'Å“il une rétinopathie diabétique sans même l'intervention d'un ophtalmologiste. Cette application peut être utilisée en théorie par un personnel paramédical pour une action de dépistage précoce. Sa fiabilité est élevée. Elle porte sur une étude clinique (NCT02963441) de fonds d'Å“il sur 10 centres américains auprès de 900 patients diabétiques chez qui, dans 90 % des cas [12], la solution IDx-DR (Coralville, Iowa, USA) a permis le bon diagnostic. Comme indiqué sur le site constructeur, ce programme a obtenu depuis la certification CE et devrait s'étendre en Europe après son développement initial américain.


Osteodetect de la société Imagen (New York, USA) est encore un autre outil qui permet d'accélérer la détection des fractures de poignets sur des radiologies 2D standards numérisées. Cette détection assistée utilise des algorithmes d'IA pour permettre un diagnostic plus rapide basé sur une analyse rétrospective initiale de 1000 images en une seconde sur 24 centres. Le dispositif est annoncé, par son développeur, pour être dédié avant tout au personnel soignant non radiologue (réanimateurs, urgentistes, médecins généralistes...). Le site souligne d'ailleurs bien le fait qu'il s'agit là d'un outil complémentaire et non d'un logiciel pour remplacer l'expertise des radiologues.


Ces trois exemples rendent compte de l'évolution en cours. Ils témoignent de leur caractère innovant et des évolutions réglementaires qui en valident leur recours. Ils renseignent sur les voies de recherche à investir, sur les modèles qui sont aujourd'hui acceptés par les instances réglementaires et sur le niveau de preuve attendu pour être validé en pratique clinique courante. Ces premières avancées dans la réglementation et régularisation des dispositifs médicaux vont servir de référence pour créer des précédents et accélérer les développements futurs.


Impact sur les possibilités de développement d'imagerie IRM assistée par IA


Cette série récente d'approbations réglementaires autorisant l'usage de ces technologies en soins courants renseigne sur la pénétration de l'IA dans nos pratiques et de la place que nous sommes disposés à lui accorder aujourd'hui. Ce panorama est riche d'enseignement pour orienter des modèles de développement d'usage couplant IA et imagerie haute résolution du cancer de la prostate. Notamment, on peut constater un premier niveau d'intérêt pour l'établissement d'outil comme Viz.ai. Cette application a été autorisée pour apporter aux praticiens une assistance et pour renforcer la sécurisation des pratiques par deux moyens, le signalement en cas de risque d'errance diagnostique et le recours à l'homme en cas d'erreur avérée. La validation de cet outil témoigne de l'intérêt de production d'autres applications qui répondraient à ce même objectif.


Parallèlement, on identifie aussi une autre fonctionnalité recherchée, admise et reconnue par les institutions au travers de l'IA qui correspond à la célérité de l'exécution, comme l'incarne la solution validée Osteodetect. Cette qualité intrinsèque à cette application est celle qui sous-tend sa validation. La vitesse diagnostique pourrait donc être considérée comme un objectif d'étude secondaire sinon principal à utiliser dans des protocolisations et voies de développement ultérieurs de l'imagerie micro-IRM couplée à l'IA appliquée au cancer de la prostate. La mesure de cet objectif pourrait reposer sur une analyse comparative de délai moyen de lecture entre un radiologue expérimenté et une détection par outil d'IA pour obtenir le diagnostic final de cancer de prostate.


Troisième point d'attention sur lequel pourrait être évaluée une solution d'imagerie avec IA, sa capacité à fournir le diagnostic par d'autre professionnel de santé que l'opérateur dûment habilité (le radiologue). Il pourrait même s'agir d'outil d'autodiagnostic assistés par IA, utilisé par le patient lui-même. Cette ambition, que l'on comprend en filigrane dans la solution IDx-DR, concourt à l'amélioration des circuits patients et la construction optimisée des parcours de soins. Elle contribuerait au désengorgement des spécialités les plus responsables de délais d'attente, faute de numerus de professionnels suffisants et par demandes croissantes conjointes de soins.


Au total, les programmes de recherches qui voudraient proposer aujourd'hui, une application d'IA couplée à l'IRM haute résolution pour le diagnostic du cancer de prostate devrait viser, pour être acceptés, au moins l'un des trois objectifs suivants : assistance médicale en appui de l'expertise de praticiens, rapidité d'exécution diagnostique et/ou possibilité de transfert de compétence du spécialiste vers le généraliste, voire vers le patient. Ce dernier élément est particulièrement important pour apporter des solutions émergentes pour les situations géographiques de déserts médicaux, en France comme dans les pays en voie de développement.


Évolutions des méthodes d'évaluation de l'innovation en matière d'IA


Considérant l'étendue actuelle du champ d'application de l'IA dans l'imagerie, le dispositif réglementaire conventionnel de validation scientifique des innovations ne convient pas. Il mériterait d'être révisé pour permettre l'établissement de progrès. Les technologies de l'IA diffèrent en effet des dispositifs médicaux habituels en ce qu'elles consistent essentiellement en des logiciels avec des modifications possibles très faciles et des cycles d'innovation très courts. De nouvelles techniques d'évaluation de la balance bénéfice-risque et du rapport coût/efficacité devraient être mises en place pour engager un cycle vertueux de production scientifique.


À date, les experts s'engagent à dire qu'un algorithme d'IA est un succès s'il permet de réaliser un diagnostic ou des signes précurseurs à partir d'images de manière aussi précise et efficace que l'homme. D'une part, c'est sans doute insuffisant et par ailleurs, l'on peut s'interroger sur la nécessité d'appliquer pour l'IA les mêmes contraintes de démonstration que l'on en attend des molécules de la recherche pharmaceutique [13]. D'un autre côté, se limiter à la seule équivalence d'efficacité et de sécurité que celle représentée par l'action humaine expose au risque de limiter les expansions de cette technologie à de simple démonstration de réciprocité sans autre plus-value pour les patients. Nos propositions de protocoles de recherche en imagerie IRM couplées à l'IA devraient ainsi prendre ces éléments en compte et les dépasser.


Particulièrement, si l'on s'arrêtait à ces seuls objectifs, il y aurait un risque à terme de dresser l'IA contre le praticien dans une pure compétition de compétences en s'empêchant de travailler sur un modèle de complémentarité de l'IA avec l'homme qui serait plus vertueux pour l'humanité. Ainsi, suivant ce courant de pensée, on recense d'ailleurs actuellement de plus en plus d'études cliniques engagées pour diverses technologies d'IA. Sur la plateforme ClinicalTrials.gov, à la fin du premier semestre 2018, on décomptait 35 essais sur ces sujets, dont 17 étaient terminés et 18 toujours en cours.


Nos propres freins à l'émergence de l'IA dans notre pratique


Bien que les défis intellectuels associés à l'application de l'IA dans le soin courant soient intéressants d'un point de vue académique, il est tout aussi important de comprendre et d'anticiper comment les soignants réagiront à l'adoption de nouvelles technologies puissantes qui modifient profondément leur exercice.


Parallèlement, les espoirs suscités par l'IA alimentent un sujet de débat de société peu propice à son émancipation. D'un côté l'IA promet d'améliorer les diagnostics, de permettre des détections précoces de maladie et de trouver de nouveaux traitements ; de l'autre, l'IA génère des inquiétudes collectives par la menace de pertes ou de transformations de millions d'emplois qu'elle pourrait induire et par les troubles profonds à l'écosystème médicolégal actuel que l'on pourrait redouter. De nombreux pays ont mis en place des organes décisionnels indépendants pour étudier les effets socioéconomiques généraux de l'IA et générer des plans nationaux pour le développement stratégique de l'IA [14].


De ce constat, une classification des outils diagnostic assistés par IA s'est établie selon trois grandes catégories d'usage :

l'assistance par l'IA (IA-A), où l'IA apporte des datas complémentaires pour aider l'analyse diagnostique humaine ;
la substitution par l'IA (IA-S), où l'IA remplace le travail diagnostique humain et formule lui-même des hypothèses basées sur la donnée ;
l'extension par l'IA (IA-X), où l'IA contribue à permettre la réalisation de nouvelles tâches médicales au-delà du champ des possibles actuels.


Les systèmes d'IA-S peuvent fournir des résultats et des mesures de résultats sans l'assistance de lecteurs qualifiés et ont montré une grande applicabilité non seulement dans les centres de santé tertiaires, mais également dans les régions les plus reculées où il n'y a pas de radiologues (exemple du logiciel BoneXpert pour la mesure automatisée de la densité osseuse de l'âge de la radiographie de la main d'un enfant).


Les systèmes d'IA-A augmentent les capacités du lecteur (par exemple, Veolity pour le dépistage du cancer du poumon). Des études rapportaient notamment une amélioration de plus de 40 % du temps de lecture des radiologues utilisant de tels systèmes. Plus important encore, l'IA-A aiderait le médecin intervenant à interpréter les données directement au lieu de toujours demander l'avis d'un radiologue qualifié ; on trouve de bons exemples en ophtalmologie et en dermatologie et l'on en imagine facilement en uro-diagnostic sur le cancer de la prostate. Avec le temps, ces systèmes experts pourraient être mis à niveau vers la catégorie d'IA-S.


Enfin, les systèmes IA-X apportent une réelle valeur ajoutée au système de santé en permettant de détecter les affections qui ne peuvent pas être reconnues à date même par des radiologues qualifiés, en tirant davantage parti des données saisies. Icomatrix pour la détection des lésions de sclérose en plaques et une méthode récemment mise au point (par Google Inc.) pour prédire les facteurs de risque cardiovasculaires à partir d'images de fundus rétinien [15] sont de bons exemples de cette classe émergente de systèmes logiciels.


À l'avenir, les systèmes basés sur l'IA vont changer le statu quo entre les médecins traitants et les spécialistes en imagerie tels que les radiologues et les anatomopathologistes. Notre modèle d'étude qui analysait la corrélation imagerie en T2W et coupe histologique concourait à apporter des données dans ce sens. Ces nouveaux systèmes permettent déjà pour certains, une évaluation directe par le médecin traitant et obligeront le spécialiste en imagerie traditionnel à ajouter plus de valeur au résultat du diagnostic, donnant ainsi lieu à de nouveaux domaines et de nouvelles professions frontières. Mais au demeurant, toutes les études s'accordent sans équivoque sur le fait que, malgré les perturbations causées par les technologies de l'IA, l'imagerie médicale renforcée par l'IA améliorera les résultats pour les patients dans une population mondiale de plus en plus nombreuse et diversifiée.


L'émergence de l'IA en médecine et les changements positifs qu'elle engendre peuvent largement compenser les changements négatifs potentiels qu'elle risque d'entraîner. Mais, quels que soient les bénéfices et les doutes, et comme pour tout changement technologique majeur, la façon dont l'IA sera utilisée dépend aujourd'hui des choix que feront l'homme et non la machine.

Points essentiels à retenir


Les applications médicales utilisant l'intelligence artificielle (IA) restent confidentielles en urologie même si plusieurs d'entre elles devraient apparaître rapidement notamment en oncologie et en imagerie.
Ces innovations médicales bénéficient surtout du deep learning (DL), une des méthodes d'apprentissage du machine learning (ML) qui fait partie des différents domaines de l'IA.
C'est la conjonction à la fois des améliorations des réseaux neuronaux convolutifs, les algorithmes discriminants et de la puissance de calcul informatique qui profite à l'émergence de nouvelles applications d'IA.
Des exemples concrets existent dans la reconnaissance du langage, et la vision avec des applications possibles permises grâce à l'apport de sources de millions de données par l'IRM haute résolution et la radiomique.
Récemment, les autorités américaines ont reconnu plusieurs applications basées sur l'IA dans des usages médicaux. L'analyse de ces dispositifs renseigne sur les voies de recherche de recherche à investir dans notre univers urologique et les pistes d'utilisations reconnues par la réglementation.
Une classification des outils d'aide diagnostique avec IA a pu être proposée pour favoriser leur émergence. Des freins réglementaires et socioprofessionnels devront néanmoins être levés pour permettre aux innovations de s'établir.



Déclaration de liens d'intérêts


Les auteurs déclarent ne pas avoir de liens d'intérêts.



Références



Fogel A.L., Kvedar J.C. Artificial intelligence powers digital medicine NPJ Digital Med 2018 ;  1 (1) : 5
Michalski R.S., Carbonell J.G., Mitchell T.M. Machine learning: an artificial intelligence approach  : Springer Science & Business Media (2013). 
Balakrishnan G., Zhao A., Sabuncu M.R., Guttag J., Dalca A.V. Voxel morph: a learning framework for deformable medical image registration IEEE Trans Med Imaging 2019 ;  38 : 1788-180010.1109/TMI.2019.2897538 [cross-ref]
Wang S., Burtt K., Turkbey B., Choyke P., Summers R.M. Computer aided-diagnosis of prostate cancer on multiparametric MRI: a technical review of current research BioMed Res Int 2014 ;  2014 : 78956110.1155/2014/789561
Erickson B.J., Korfiatis P., Akkus Z., Kline T.L. Machine learning for medical imaging Radiographics 2017 ;  37 : 505-515 [cross-ref]
Orru G., Pettersson-Yeo W., Marquand A.F., Sartori G., Mechelli A. Using support vector machine to identify imaging biomarkers of neurological and psychiatric disease: a critical review Neurosci Biobehav Rev 2012 ;  36 : 1140-1152 [cross-ref]
Durand M., Jain M., Robinson B., Aronowitz E., El Douahy Y., Leung R., et al. Magnetic resonance microscopy may enable distinction between normal histomorphological features and prostate cancer in the resected prostate gland BJU Int 2017 ;  119 : 414-42310.1111/bju.13523 [cross-ref]
Krizhevsky I., Sutskever G.E., Hinton ImageNet classification with deep convolutional neural networks  Proceedings advances neural information processing systems :  (2012). 1097-1105
Durand M., Robinson B.D., Aronowitz E., Tewari A.K., Ballon D.J. High-resolution magnetic resonance imaging of prostatectomy specimens: a promising tool for virtual histology Eur Urol 2012 ;  62 (5) : 938-940 [cross-ref]
Cameron A., Khalvati F., Haider M.A., Wong A. Maps: a quantitative radiomics approach for prostate cancer detection IEEE Transactions Biomed Eng 2016 ;  63 : 1145-1156 [cross-ref]
Shiradkar R., Ghose S., Jambor I., Taimen P., Ettala O., Purysko A.S., et al. Radiomic features from pretreatment biparametric MRI predict prostate cancer biochemical recurrence: preliminary findings J Magn Reson Imaging 2018 ;  48 (6) : 1626-1636 [cross-ref]
Van der Heijden A.A., Abramoff M.D., Verbraak F., van Hecke M.V., Liem A., Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System Acta Ophthalmol 2018 ;  96 (1) : 63-68 [cross-ref]
AI diagnostics need attention Nature 2018 ;  555 (7696) : 285https://www.ncbi.nlm.nih.gov/pubmed/29542717.
Cath C., Wachter S., Mittelstadt B., Taddeo M., Floridi L. Artificial intelligence and the "good society": the US, EU, and UK approach Sci Eng Ethics 2018 ;  24 (2) : 505-528
Poplin R., Varadarajan A.V., Blumer K., Liu Y., McConnell M.V., Corrado G.S., et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning Nat Biomedical Eng 2018 ;  2 (3) : 158 [cross-ref]






© 2020 
Elsevier Masson SAS. Tous droits réservés.