Pionnier du traitement d'images médicales grâce à l'apprentissage automatique et à la Dre April Khademi

L'apprentissage automatique a fait sensation dans les derniers développements technologiques. La recherche transformatrice de la Dre April Khademi sur l'apprentissage automatique a eu un impact profond sur le traitement de l'image médicale et a contribué à façonner la façon dont les cliniciens pratiquent la médecine. Professeure agrégée en génie électrique, informatique et biomédical à la Toronto Metropolitan University (TMU), ses recherches novatrices portent sur l'intégration de l'IA à l'imagerie médicale, au traitement d'images et aux signaux biomédicaux. Le Dr Khademi est également titulaire d'une chaire de recherche canadienne en IA pour l'imagerie médicale avec des applications en radiologie, pathologie et neurologie. Ses travaux novateurs ont mené à des avancées contre la démence, les maladies vasculaires, le cancer du sein et du cerveau grâce au traitement d'images en niveaux de gris et d'images RVB provenant de cellules et de microstructures tissulaires. De plus, son équipe met activement en œuvre l'IA dans le flux de travail des cliniciens pour compléter leur travail dans des domaines tels que les systèmes de biomarqueurs, le diagnostic et la détection précoce des maladies.

Les débuts de la Dre Khademi en génie biomédical ont commencé à la fin de ses années, au cours de l'obtention de son diplôme de premier cycle. Tombant amoureux du traitement numérique du signal, le Dr Khademi était fasciné par l'application des mathématiques utilisées pour analyser les images 2D. Combinée à son amour pour le traitement d'images, la Dre Khademi a commencé à écrire du code pour un logiciel qui segmenterait les images médicales. Pendant son diplôme de premier cycle, elle a travaillé comme gestionnaire de bureau, et lorsqu'elle est allée présenter cela à ses superviseurs, ils en ont été mortifiés !

Quoi qu'il en soit, le Dr Khademi croyait au potentiel du traitement d'images médicales et a demandé un doctorat dans cette spécialisation. Plus tard, la Dre Khademi a ensuite conçu de nouveaux outils de segmentation en neurologie en utilisant seulement 25 images comme ensemble de données (note latérale, c'était il y a à peine 10 ans environ) ! Les ensembles de données actuels se composent de milliers d'images et proviennent de plusieurs centres d'imagerie. La Dre Khademi a ensuite travaillé dans l'industrie, notamment dans le domaine des soins de santé génomiques, en travaillant avec des cliniciens et de la R-D, mais la passion de la Dre Khademi pour l'enseignement est restée avec elle. Elle enseigna bientôt à Guelph en tant que professeure en analyse d'imagerie médicale avant de décrocher son poste actuel au TMU.

Pour ses recherches actuelles, leur laboratoire se concentre sur le diagnostic et l'attribution de thérapies pour les radiologistes et les pathologistes. Les diagnostics actuels à partir d'images peuvent être subjectifs, et l'objectif du laboratoire est de développer des outils d'IA qui réduiraient l'incertitude et normaliseraient l'analyse de l'imagerie médicale. Le laboratoire de Khademi met non seulement l'accent sur la qualité des outils, mais aussi sur leur mise en œuvre dans le milieu des soins de santé. Avec un arsenal d'outils d'IA pour le cancer du sein et la neurologie, l'un des derniers outils de Khademi a été testé dans le monde entier auprès de près de 100 pathologistes. Les résultats indiquent que cela rend les pathologistes plus précis, plus efficaces et plus en accord avec leurs collègues.

Lorsque l'équipe du CUBEC l'a interrogée sur les implications de l'éthique de l'IA avec les données médicales, le Dr Khademi a déclaré ce qui suit : « Cela dépend de la configuration de l'étude. Techniquement, le médecin et le patient sont tous deux propriétaires des données, et c'est une question d'actualité débattue dans la communauté juridique. L'apprentissage automatique présente des avantages. Les données du patient sont difficiles à extraire à partir des poids du modèle d'apprentissage automatique. Il y a une responsabilité de protéger les données, d'obtenir le consentement du patient et de crypter les données, mais c'est toujours un sujet débattu. »

M. Khademi a fait remarquer qu'au cours de la dernière décennie, les grands progrès réalisés en matière d'accès aux référentiels ouverts et aux possibilités ont permis d'améliorer l'exactitude de l'IA. Cependant, elle a également souligné qu'il y avait plusieurs défis à relever pour intégrer l'apprentissage automatique en milieu clinique. Alors qu'aux États-Unis, les soins de santé sont privatisés et que les hôpitaux sont plus désireux d'essayer de nouvelles technologies. Ce n'est pas la même chose au Canada, et la voie à suivre pour le faire n'est pas claire. Certaines des préoccupations soulevées par le Dr Khademi concernaient l'intégration de modèles dans le flux de travail dans les systèmes de bases de données hospitalières, la prise de décision, la qualité des soins et la gestion des patients. En d'autres termes, la question sans réponse est la suivante : comment cela changera-t-il la façon dont les médecins pratiquent la médecine ? Selon le Dr Khademi : « Il doit y avoir un moyen de définir comment l'IA sera utilisée par les médecins et les cliniciens, et c'est finalement à eux de donner le feu vert à l'utilisation de ces outils et à leur incidence sur les soins aux patients. »

Le Dr Khademi a donné les conseils suivants aux étudiants intéressés par le domaine de l'IA : « S'intéresser à l'IA dans le domaine médical est quelque chose que vous devez aimer et qui vous passionne. De solides compétences en mathématiques, en programmation informatique, en imagerie médicale, en apprentissage profond et d'autres compétences sont nécessaires dans ce domaine. Il faut aussi comprendre l'aspect clinique, sinon votre innovation disparaît sur les étagères. Comprendre l'impact clinique est un ensemble d'outils important dont vous avez besoin pour être dans ce domaine. »

‍