Au sein de CESP, Vincent-Béni Sèna Zossou a développé un outil d'IA pour la détection du cancer du foie.
L'Essentiel : Au sein de CESP, Vincent-Béni Sèna Zossou a développé un outil d'IA pour la détection du cancer du foie.
Vincent-Béni Sèna Zossou, chercheur·e au sein de CESP (Université de Versailles Saint-Quentin-en-Yvelines).
Thèse soutenue en 2024 à l'école doctorale École doctorale Santé Publique (Le Kremlin-Bicêtre, Val-de-Marne ; 2015-...).
Référencée dans le réseau ABES/STAR, cette thèse répond aux critères de rigueur de l'enseignement supérieur français.
La détection précoce du carcinome hépatocellulaire (CHC) constitue un enjeu majeur de santé publique, particulièrement en Afrique de l'Ouest, où les taux d'incidence de cette maladie sont alarmants. En effet, le CHC est souvent diagnostiqué à un stade avancé, ce qui limite considérablement les options de traitement et augmente le taux de mortalité. Les méthodes traditionnelles de diagnostic, qui reposent sur l'analyse visuelle des images de tomodensitométrie (TDM), sont souvent sujettes à des erreurs humaines et à des biais, ce qui peut conduire à des diagnostics erronés. Dans ce contexte, Vincent-Béni Sèna Zossou, au sein du Centre d'Études et de Services en Santé Publique (CESP), propose une solution innovante en intégrant l'intelligence artificielle (IA) pour automatiser ce processus crucial. Cette recherche répond à un besoin urgent d'amélioration des diagnostics en Afrique, où les ressources médicales sont souvent limitées et où l'accès à des technologies avancées reste un défi.
L'utilisation de l'apprentissage automatique (AA) permet de traiter un volume important d'images TDM, réduisant ainsi le temps nécessaire pour établir un diagnostic. En effet, les algorithmes d'IA peuvent analyser des milliers d'images en quelques minutes, offrant ainsi une rapidité d'exécution qui est essentielle dans des contextes où chaque minute compte. Les résultats préliminaires de cette recherche montrent des scores de Dice variant de 69% à 97,1%, ce qui indique une performance prometteuse des modèles de segmentation développés. Cependant, la question demeure : comment garantir que ces outils soient adaptés aux spécificités des populations africaines, qui peuvent présenter des caractéristiques cliniques et radiologiques différentes de celles observées dans d'autres régions du monde ?
La méthodologie adoptée par Zossou repose sur la collecte d'images TDM et leur annotation par des radiologues expérimentés. Cette étape est cruciale pour créer un ensemble de données de référence, essentiel pour l'entraînement des modèles d'IA. En intégrant des techniques de régularisation, il est possible d'améliorer la robustesse des modèles face aux variations des données, qu'elles soient dues à des différences dans les équipements d'imagerie ou à des variations dans les pratiques cliniques. Cela soulève une réflexion sur l'importance de la formation continue des professionnels de santé en Afrique pour maximiser l'impact de ces technologies. En effet, il est impératif que les radiologues et autres professionnels de santé soient formés non seulement à l'utilisation de ces outils, mais aussi à leur interprétation, afin d'assurer une intégration harmonieuse dans les pratiques cliniques quotidiennes.
Les recommandations stratégiques issues de cette recherche vont au-delà de la simple amélioration technique. Elles soulignent la nécessité de développer des solutions diagnostiques qui répondent aux besoins cliniques spécifiques en Afrique. Cela implique une collaboration étroite entre les chercheurs, les cliniciens et les décideurs politiques pour garantir que les outils développés soient non seulement efficaces, mais également accessibles et utilisables dans le contexte local. Par exemple, des initiatives pourraient être mises en place pour établir des centres de formation régionaux, où les professionnels de santé pourraient acquérir des compétences en imagerie médicale et en IA.
De plus, il est essentiel de prendre en compte les infrastructures de santé existantes. Dans de nombreuses régions d'Afrique de l'Ouest, l'accès à des équipements de TDM de haute qualité est limité. Par conséquent, les solutions développées doivent être adaptées à ces réalités, en tenant compte des contraintes techniques et financières. Cela pourrait inclure le développement de modèles d'IA capables de fonctionner avec des images de qualité variable, ou la mise en place de partenariats avec des organisations internationales pour améliorer l'accès à la technologie.
En somme, cette thèse représente une avancée significative dans le domaine de l'imagerie médicale en Afrique de l'Ouest, avec un potentiel d'impact considérable sur la santé publique. En intégrant l'intelligence artificielle dans le processus de détection du carcinome hépatocellulaire et des métastases hépatiques, nous avons l'opportunité de transformer le paysage du diagnostic médical dans la région. Cela pourrait non seulement améliorer les taux de détection précoce, mais aussi contribuer à une meilleure gestion des ressources de santé, à une réduction des coûts et, surtout, à une amélioration des résultats pour les patients. Il est donc crucial de poursuivre cette recherche, tout en veillant à ce que les solutions développées soient véritablement adaptées aux réalités africaines.
Données clés
- 1 764 : nombre d'études identifiées dans les bases littéraires pour le développement de l'outil d'IA.
- 77 : nombre d'articles sélectionnés pour une analyse approfondie.
- 69% à 97,1% : scores de Dice obtenus pour la segmentation des lésions hépatiques.
Accéder à l'étude complète
Sources et accès
Vincent-Béni Sèna Zossou. Détection du carcinome hépatocellulaire et des métastases hépatiques basée sur les images tomodensitométriques et l'apprentissage automatique. Cancer. Université Paris-Saclay; Université d'Abomey-Calavi UAC (Bénin), 2024. Français. ⟨NNT : 2024UPASR034⟩. ⟨tel-05016575⟩