L’IA au service de la lecture des radiographies
Ces dernières années, la numérisation des clichés radiographiques et la généralisation du cone beam (CBCT) ont permis de constituer des bases de données d’imagerie très volumineuses, parfois même librement accessibles. La combinaison de ces volumes d’images et des progrès en modélisation a rendu possible l’essor des approches d’IA fondées sur le deep learning (apprentissage profond), en particulier les réseaux de neurones convolutifs (CNN). Ces CNN fonctionnent un peu comme l’œil lorsqu’il cherche un élément connu d’avance, par exemple Charlie dans le jeu « Où est Charlie ? ». Imaginez : vous regardez aux différents endroits de l’image, et vous vous arrêterez sur les détails qui correspondent aux motifs caractéristiques de Charlie, par exemple son bonnet, ses lunettes et son pull rayé. Les CNN font exactement la même chose, mais avec des images dentaires. Grâce à des milliers d’images préalablement annotées par des experts, les CNN ont eux aussi été entraînés à reconnaître, mais cette fois les motifs d’une carie dentaire : par exemple, une association de pixels sombres. Lorsqu’une nouvelle image leur est présentée, ils scannent l’image pixel par pixel pour détecter ces motifs caractéristiques exactement comme lorsque l’on cherche Charlie [1].
Cette approche a démontré son efficacité, avec une sensibilité supérieure à 90 % pour détecter les atteintes carieuses et péri-apicales sur radiographies 2D ou CBCT, grâce à l’utilisation des CNN [2, 3]. La sensibilité correspond à la capacité du modèle à identifier correctement les atteintes réellement présentes, en d’autres termes à éviter les faux négatifs. De nombreux dispositifs médicaux intégrant ces modèles d’IA, promettent même déjà une amélioration de la productivité grâce à une détection plus précoce des atteintes carieuses ou encore péri-apicales (fig. 1). Au‑delà…
