Le 18 juin 2020, la filiale Healthcare de General Electric, en association avec l’entreprise sud-coréenne Lunit, a lancé sa nouvelle intelligence artificielle. Celle-ci permet de repérer et identifier des anomalies pulmonaires à partir de radiographies, notamment les pneumonies causées par COVID-19 et la tuberculose.
Un contexte favorable à l’innovation
La crise de COVID-19 a constitué un vecteur d’innovation ou, a minima, d’accélération de la mise en œuvre de nombreuses innovations particulièrement dans le domaine médical. GE Healthcare n’est pas la seule société à avoir lancé un logiciel d’imagerie médicale de ce type, dans ce contexte. En effet, il a créé une situation d’urgence qui a permis et facilité l’éclosion de ce type de logiciel. En mai, Siemmens Healthineers avait aussi lancé une IA similaire, la différence étant qu’elle fonctionne sur scanner pulmonaire.
La société est partie du constat du grand nombre d’examens pulmonaires réalisés chaque année par les médecins radiologues et du manque de temps que ces derniers ont pour diagnostiquer ou non une anomalie pulmonaire. En temps de crise, celui-ci est d’autant plus important à prendre en compte, ce qui a mené la société à mettre en œuvre sa solution.
Comment est-ce que la solution de GE Healthcare fonctionne ?
La solution permet de détecter et localiser individuellement 10 résultats radiologiques différents comprenant notamment la détection de pneumonies (qui peuvent indiquer que le patient est atteint de COVID-19), de tuberculose, de nodules pulmonaires, d’atélectasie, de calcification, de cardiomégalie, ou encore d’épanchement pleural.
Il s’agit, dans les faits, de huit algorithmes qui analysent rapidement les radiographies pulmonaires et signalent les anomalies aux radiologues pour qu’il puisse prescrire ou non un examen plus approfondi. Le logiciel va signaler par une couleur la zone suspecte qui doit retenir l’attention du médecin. Plus la couleur est prononcée plus le logiciel attribue un score élevé à l’anomalie pulmonaire, ce qui augmente la probabilité de l’existence de celle-ci.
Le taux de précision de ces algorithmes oscille entre 97% et 99% et cela entre quelques secondes permettant de réduire de 34% le temps de lecture de l’imagerie. Si l’analyse de la radiographie a été choisie, ce n’est par hasard. Ce choix s’explique par le fait que la radiographie est l’un des examens impliquant l’imagerie médicale les plus pratiqués. Il représente 25 % du nombre total annuel d’images médicales.
Emma Duchesne
Master 2 Cyberjustice – Promotion 2019-2020
Sources :
Image : https://www.freepik.com/free-photos-vectors/background réalisé par macrovector sur www.freepik.com
GE Healthcare, communiqué de presse du 18 juin 2020 : https://www.ge.com/news/press-releases/ge-healthcare-launches-new-ai-suite-detect-chest-x-ray-abnormalities-including
Présentation de la solution sur le site internet de Lunit https://www.lunit.io/en/product/insight_cxr3/
