Annotation d’image médicale : un enjeu pour l’amélioration des soins et de la recherche

L’activité de soin dans les hôpitaux génère chaque jour de nombreuses données médicales : dossiers d’admission, comptes-rendus d’hospitalisation, résultats d’analyse, rapports d’imagerie, etc. Elles constituent une base de données très riche pour la recherche et peuvent servir de base au développement d’outils numériques depuis l’optimisation des flux patients jusqu’à la chirurgie robotisée en passant par des outils d’aide au diagnostic. Toutefois, cette base de données est aujourd’hui encore peu exploitée car pour rendre leur valorisation possible, les données doivent constituer un ensemble reconnaissable et annoté de façon non bruitée avec des mots clés normalisés. Cela est encore plus complexe pour les données d’imagerie médicale, qui requiert aujourd’hui une annotation par des spécialistes qui peuvent comprendre et interpréter les images. Alcimed revient sur les difficultés actuelles rencontrées pour la valorisation des images médicales ainsi que sur les conditions à respecter pour la mise en place d’outils d’annotation d’image médicale par l’intelligence artificielle (IA).

Les difficultés actuelles rencontrées pour la valorisation des images médicales

La mobilisation importante de temps médecin requise

Les outils actuels des hôpitaux (PACS et DICOMS) ne permettent pas d’identifier instantanément les types d’image souhaitées. Ainsi, lors du montage d’une cohorte requérant des images médicales, la sélection est faite manuellement par des médecins. Il s’agit d’une étape fastidieuse et indispensable au lancement de projets de recherche a posteriori qui prend en moyenne entre 3 et 5 mois. Le temps médecins mobilisé pour cette étape a un impact économique direct pour l’hôpital.

L’hétérogénéité des pratiques d’annotation d’image médicale et erreurs qui limitent la valorisation a posteriori et a priori de ces données pour la recherche médicale

Il n’existe pas aujourd’hui d’annotation d’image médicale standard. Il en résulte donc un traitement très hétérogène dépendant des mots-clefs et des niveaux de détails remplis par les médecins. On estime ainsi à 30 % le taux d’erreur et d’omission de données dans les cohortes construites et au-delà des difficultés de valorisation associées, chaque erreur ou oubli impacte la qualité des soins en empêchant l’intégration d’un patient dans un programme de recherche.

Automatiser ce processus de sélection et d’annotation d’image médicale avec une solution d’intelligence artificielle permettrait ainsi d’accélérer la constitution des cohortes et de favoriser le développement de projets de recherche s’appuyant sur la valorisation des images médicales.

En savoir plus sur l’intégration de l’intelligence artificielle en santé >

Le besoin de mise en place d’outils d’annotation digitalisés qui devront répondre à plusieurs conditions clés

Un stockage adapté aux caractéristiques des images médicales

Les images médicales sont des fichiers lourds puisqu’un examen peut produire jusqu’à 80 images alors qu’une analyse de sang génèrera un document de moins de 5 pages, cela peut être accentué par un facteur 10 à 100 selon les types d’images et leur résolution. La structure de stockage devra ainsi avoir une capacité adaptée tout en respectant les critères de cybersécurité inhérent au stockage de données de santé.

Une intégration aux outils existants

Pour limiter le nombre d’interfaces et faciliter l’intégration de l’annotation d’image médicale aux pratiques des équipes administratives et médicales, l’outil d’annotation devra pouvoir être intégré aux outils déjà existants de l’hôpital tels que les projets d’entrepôts de données de santé ou les PACS/DICOM des établissements.

Un outil d’annotation d’image médicale flexible

L’outil et les annotations proposées devront pouvoir s’adapter aux spécialités concernées, aux habitudes des établissements voire au projet de recherche précis pour lequel les images sont annotées.

Le potentiel de valorisation des images médicales est aujourd’hui freiné par le temps médecin qu’il nécessite et par les erreurs qui découlent de l’hétérogénéité des pratiques d’annotation. Afin d’optimiser la valorisation des images médicales, l’IA est une solution pour l’automatisation de l’annotation des images médicales et la standardisation de leur traitement. Notre équipe chez Alcimed peut vous accompagner dans l’exploration des voies de valorisation de vos données de santé, notamment au travers de stratégies d’innovation et de réalisation de stratégie commerciale !

A propos de l’auteure, 

Elody, Consultante dans l’équipe Innovation et Politiques Publiques d’Alcimed en France