VisionPro Deep Learning identifie la COVID-19 sur les radiographies thoraciques
La réussite récente de l’identification de la COVID-19 sur les radiographies thoraciques grâce au logiciel VisionPro® Deep Learning de Cognex, qui a ainsi surpassé plusieurs autres modèles de Deep Learning mis au point par des groupes de recherche en sciences de la vie du monde entier, a été évaluée par les pairs et publiée par SN Computer Science, la principale revue sur l’intelligence artificielle, dans sa parution de printemps. L’étude intitulée « Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open-Source Convolutional Neural Networks »1 a été publiée en mars 2021, après plusieurs mois d’évaluation scientifique par les pairs.
L’article a été rédigé à partir d’un ensemble de données publiques issues de radiographies thoraciques fournies par l’Université de Waterloo. Dans le cadre de l’expérience financée par Cognex, l’équipe dédiée aux sciences de la vie de Cognex a utilisé le logiciel VisionPro Deep Learning 1.0 pour l’identification de la COVID-19 en analysant les radiographies thoraciques avec des résultats positifs pour la COVID-19 par rapport à des radiographies thoraciques de patients sains ou présentant une pneumonie non liée à la COVID-19. Dans un article ultérieur, l’équipe compare l’efficacité du logiciel VisionPro Deep Learning pour l’identification de la COVID-19 sur des images tomodensitométriques. L’article étudie également la méthode permettant de programmer le logiciel encore plus rapidement et plus facilement, avec là encore des résultats très positifs.
Radiographies, images tomodensitométriques et COVID-19
Les images médicales comme les radiographies donnent aux médecins et aux radiologues une preuve visuelle que les tests de dépistage de la COVID-19 en laboratoire sont précis. De plus, le logiciel de Deep Learning, qui est programmé pour apprendre comme un enfant plutôt que par le biais de fonctions mathématiques complexes, peut alléger la charge de travail des cliniciens en analysant des milliers d’images médicales et en identifiant les anomalies qui réfutent ou étayent un diagnostic.
Toutefois, pour utiliser les outils de Deep Learning open source les plus populaires, il faut disposer d’une grande expérience en programmation, ce qui peut constituer un obstacle. Il n’est pas réaliste d’attendre des professionnels de la santé, tels que les médecins, les radiologues et autres cliniciens, qu’ils maîtrisent ces outils.
Cet été, une équipe d’experts en intelligence artificielle (IA) de Cognex a entrepris de surmonter cet obstacle avec une hypothèse fondamentale : le logiciel d’automatisation industrielle de Cognex peut-il offrir une alternative simple d’utilisation aussi performante que les meilleurs outils de Deep Learning open source au monde ? L’étude, intitulée « Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open-Source Convolutional Neural Networks » comparait le réseau neuronal informatique de Cognex VisionPro Deep Learning à plusieurs réseaux neuronaux informatiques open source de premier plan pour l’évaluation des radiographies, notamment VGG19, ResNet, DenseNet, Inception et COVID-NET. Ce dernier est un réseau neuronal informatique créé avec l’IA et spécialement adapté à la détection de la COVID-19 sur les radiographies thoraciques, mis au point par l’Université de Waterloo.
Depuis qu’il a passé la phase d’évaluation par les pairs, l’article rédigé par Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa et Mitchell Riley, qui font tous partie de l’équipe dédiée aux sciences de la vie de Cognex, a attiré l’attention de plusieurs des principaux éditeurs de recherches.
« Nous avons été surpris d’apprendre que le logiciel différencie facilement les pathologies qui apparaissent sur les radiographies », déclare M. Vandenhirtz, expert principal en IA pour les sciences de la vie chez Cognex. « Il est pratiquement impossible pour les humains de comprendre les différences entre les radiographies de différentes pathologies. Cinq radiologues peuvent donner chacun un avis différent sur ces types d’images. »
Étude 1 : VisionPro Deep Learning se démarque et arrive en tête
L’étude de Cognex, qui s’appuie sur les résultats de chercheurs de l’Université de Waterloo, dans l’Ontario, au Canada, s’intitule « COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images. » Près de 14 000 radiographies thoraciques ont été rassemblées dans un ensemble de données appelé COVID-X. Les coauteurs, Linda Wang et Alexander Wong, ont utilisé l’intelligence artificielle pour créer COVID-Net, un réseau neuronal sophistiqué qui a analysé les radiographies et appris à identifier les poumons qui présentaient des signes de la COVID-19.
Une mesure appelée score F évalue la précision globale d’un système basé sur le Deep Learning qui tente de prédire avec précision les modèles et les anomalies sur des images numériques. En résumé, le score F désigne le rapport entre les prédictions correctes générées par le système basé sur le Deep Learning et ses prédictions erronées.
Les chercheurs de Cognex ont entraîné leurs outils de Deep Learning sur pas loin de 14 000 radiographies issues de l’ensemble de données COVID-X. Les images ont été divisées en trois catégories : normales, pneumonie non liée à la COVID-19 et COVID-19. Comme indiqué dans ce tableau qui compare plusieurs logiciels de Deep Learning, COVID-Net a produit des résultats prédictifs fiables, avec des scores F allant de 92,6 % sur des images normales à 94,7 % sur des images de la COVID-19. VisionPro Deep Learning 1.0 a fait encore mieux, avec des scores F de 95,6 % sur des radiographies normales et 97,0 % sur des radiographies de la COVID-19.
Étude 2 : VisionPro Deep Learning creuse l’écart avec les images tomodensitométriques
Un article plus récent de Cognex rédigé par la même équipe de recherche va plus loin en s’intéressant aux images thoraciques tomodensitométriques. Alors que de nombreuses études ont démontré le succès de la détection de la COVID-19 à l’aide du Deep Learning sur les radiographies et les images tomodensitométriques, la plupart des architectures basées sur le Deep Learning nécessitent une programmation avancée, car elles ne proposent pas d’interface utilisateur graphique pour entraîner le système. Les radiologues qui manquent de connaissances en Deep Learning ou en programmation peuvent avoir du mal à utiliser ces programmes, sans parler de les entraîner.
L’efficacité et la facilité d’utilisation étant deux conditions essentielles pour les études à mener, la dernière recherche de Cognex a porté sur les performances de VisionPro Deep Learning dans l’identification de la COVID-19 et de la pneumonie non liée à la COVID-19, ainsi que sur le niveau d’apprentissage nécessaire pour obtenir des scores F élevés. L’article consécutif, « Identification of images of COVID-19 from Chest Computed Tomography (CT) scans using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open-Source Convolutional Neural Networks », utilise un ensemble d’images tomodensitométriques thoraciques de l’équipe de Linda Wang au Vision and Image Processing Lab de l’Université de Waterloo, qui inclut plus de 100 000 images étiquetées par des experts. En plus des réseaux neuronaux informatiques mentionnés précédemment, le logiciel VisionPro Deep Learning de Cognex a été comparé à d’autres réseaux neuronaux informatiques de pointe, notamment les architectures de l’Université de Waterloo COVID-Net-CT-A et COVID-Net-CT-B, ainsi que la dernière architecture de Google, Xception.
Comme le montre le tableau ci-dessous, VisionPro Deep Learning 1.0 de Cognex a réalisé des performances légèrement supérieures à celles de toutes les autres architectures de réseaux neuronaux informatiques avec des scores F supérieurs à 99,4 % dans les trois catégories (normales, pneumonie non liée à la COVID-19, COVID-19). Pour cette première étude, l’ensemble de 100 000 images tomodensitométriques a été divisé en deux groupes : un groupe d’apprentissage de 61 783 images et un groupe de « test » de 21 191 images, ces dernières ayant été analysées après l’apprentissage par chaque réseau neuronal informatique.
Pour mieux comprendre combien d’images sont nécessaires pour « entraîner » un réseau neuronal informatique existant à la détection des états normaux, de la COVID-19 et de la pneumonie, Cognex a recommencé, en entraînant son réseau neuronal informatique sur 26 338 images au lieu de plus de 61 000. Dans le tableau ci-dessous, les scores F de chaque réseau neuronal informatique ont été comparés. VisionPro Deep Learning de Cognex a surpassé les autres architectures de réseaux neuronaux informatiques avec des scores F supérieurs à 99,1 % pour les trois catégories d’images (normales, COVID-19 et pneumonie), tandis que les autres réseaux neuronaux informatiques ont tous chuté à des scores compris entre 85 % et 95 %, en particulier pour les deux catégories pathologiques pertinentes : pneumonie et COVID-19.
Le Deep Learning fournit aux radiologues un outil de diagnostic puissant
Bien que les résultats des deux premières études de Cognex doivent encore être vérifiés par d’autres chercheurs médicaux, les premiers résultats sont prometteurs. Par ailleurs, le logiciel n’a pas encore été approuvé pour un usage médical.
M. Vandenhirtz a indiqué que le principal intérêt à court terme de l’entreprise est de faire connaître à la communauté médicale mondiale les capacités de ce type de logiciel. Il pourrait également s’avérer utile dans des domaines comme l’ophtalmologie, qui s’appuie sur des images des mécanismes oculaires internes.
Malgré toutes leurs capacités, les algorithmes de Deep Learning ne peuvent pas remplacer totalement la connaissance des cliniciens humains, précise M. Vandenhirtz. Mais, comme le stéthoscope ou le brassard du tensiomètre, il s’agit d’un outil utile pour aider les professionnels de la santé à exercer leur métier dans des conditions optimales.
« Nous ne pensons pas, du moins à court ou moyen terme, que l’IA sera capable d’établir un diagnostic », a-t-il conclu. « VisionPro Deep Learning peut donner des recommandations, mais c’est au radiologue qu’il revient de décider de la signification de l’image. »
Accédez à l’article du SN Computer Science ici : Identification of Images of COVID-19 from Chest X-rays Using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0™ Software with Open-Source Convolutional Neural Networks.
1Référence de l’article publié sur Springer : Sarkar, A., Vandenhirtz, J., Nagy, J. et al. Identification of Images of COVID-19 from Chest X-rays Using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0™ Software with Open Source Convolutional Neural Networks. SN COMPUT. SCI. 2, 130 (2021). https://doi.org/10.1007/s42979-021-00496-w
