Notre technologie

Algorithmes d'aide à la décision thérapeutique

L’algorithme d’aide à la décision proposé actuellement par ANAPIX medical a été développé suite à des travaux de recherche réalisés sous la direction du Dr. Bernard FERTIL, Directeur de recherche au CNRS, et actuellement président de la société ANAPIX medical, dans le cadre de deux programmes scientifiques financés par l’agence nationale de recherche. L’algorithme initial, DIAMELA, décrit ci-dessous, avait été construit pour aider au diagnostic du mélanome, à partir de l’analyse de photographies dermoscopiques de lésions mélanocytaires et en utilisant des méthodes d’apprentissage supervisée originales.

Comme il est possible de le voir ici, le niveau des performances atteint était supérieur à celui des dermatologues sollicités dans les mêmes conditions. Cependant, il est apparu dans la pratique que le domaine de compétence de l’algorithme (correspondant à la représentativité de la base de données d’apprentissage limitée aux lésions mélanocytaires) était trop restreint pour une utilisation en routine et qu’il était nécessaire de reprendre l’ensemble des étapes de construction de l’algorithme pour le rendre plus robuste. Une base de données multi-pathologies a servi de référence pour l’apprentissage, des algorithmes plus récents (et plus puissants) ont été utilisés pour gérer plus efficacement cette nouvelle diversité. L’algorithme SKINAN en a résulté. Il montre un niveau équivalent à DIAMELA pour l’analyse des lésion mélanocytaires, mais propose maintenant une aide à la décision thérapeutique, étant capable de distinguer lésions bénignes et malignes pour la dizaine de pathologies des petites lésions de la peau les plus fréquentes.

L’algorithme SKINAN est proposé dans l’environnement SkinApp. SkinApp est une plateforme de services externalisée (mode SaaS) et sécurisée sur laquelle les photographies de la peau, acquises via un smartphone connecté ou non à un dermoscope, sont transférées, et, via une web-application, gérées et analysées en temps réel. Cette plateforme fournit de nombreux outils pour analyser les photographies : zoom, comparaison, mesure… ainsi donc qu’une aide à la décision thérapeutique réalisée par l’algorithme d’Intelligence Artificielle SKINAN.

DIAMELA : un classifieur de lésions mélanocytaires

Fonctionnement

Le classifieur de lésions mélanocytaires DIAMELA a été contruit pour analyser des photographies dermoscopiques, prises dans des conditions relativement standardisées, et pour lesquelles on connaît la résolution (nombre de pixels par cm de peau). Ces photographies peuvent être simplement obtenues en couplant un dermoscope standard à un smartphone par l’intermédiaire d’un accessoire dédié. Le classifieur propose un diagnostic en termes probabilistes.

intelligence artificielle dermatologie

Construction

L’algorithme du classifieur est conçu pour apprendre par l’exemple (machine learning), à l’instar des humains. Il faut une base d’apprentissage représentative de la diversité des objets à traiter (ici des images de lésions mélanocytaires) pour lesquelles on connaît la réponse (apprentissage dit supervisé). Pendant la phase d’apprentissage du classifieur, les images sont présentées séquentiellement au classifieur qui modifie itérativement sa configuration interne pour que sa réponse s’approche le plus possible de la réponse souhaitée.

Dans le cas présent, 16 dermatologues ont participé à la collecte de plus de 7000 images, parmi lesquelles 1096 ont été sélectionnées pour constituer la base d’apprentissage, incluant 360 lésions excisées dont 88 mélanomes.

Evaluation des performances

Cette opération est complexe, compte tenu des différents types d’erreur possible dès lors que l’on souhaite classer des objets et du fait que les erreurs ne sont pas de coût équivalent : classer un naevus bénin dans le groupe des mélanomes ou un mélanome dans le groupe des lésions bénignes ne sont pas des erreurs comparables.

Pour apprécier la difficulté de diagnostic des images présentes dans la base d’apprentissage, neuf dermatologues ont été sollicités : plusieurs niveaux de certitude leur ont été proposés pour l’analyse de chacune des images : mélanome certain, mélanome probable, lésion douteuse, lésion bénigne.

evaluation_classifieur_anapix

L’analyse des performances des dermatologues (et de celle du classifieur) est effectuée à l’aide de deux critères antagonistes, la sensibilité et la spécificité, que l’on positionnera du point de vue du mélanome. La sensibilité correspond au pourcentage de mélanomes détectés par l’opérateur (une sensibilité de 100% est obtenue quand tous les mélanomes contenus dans la base de test sont détectés), la spécificité correspond au pourcentage de lésions bénignes détectées comme telles (une spécificité de 100% est obtenue si aucune lésion bénigne n’a été prise à tort pour un mélanome).

Les variations de ces deux critères non indépendants s’observent dans un diagramme à 2 dimensions. Au niveau de certitude « mélanome certain », pour la réponse apportée par le dermatologue concerné par cette illustration, la sensibilité n’est que de 30% mais la spécificité est très proche de 1. La sensibilité monte à 85% au seuil de certitude de lésion douteuse, au prix d’une diminution importante de la spécificité (50%).

LES DERMATOLOGUES ET L'INTELLIGENCE ARTIFICIELLE

classifieur_dermatologues_anapix

Les réponses des dermatologues, tout en s’inscrivant sur une courbe assez classique, varient beaucoup d’un praticien à un autre. Les différences sont essentiellement liées à des comportements différents : à sensibilité égale (niveau de détection du mélanome équivalent), certains souhaitent prendre moins de risques ressentis que d’autres.
Le classifieur propose une réponse en termes probabilistes. Sa traduction dans le diagramme sensibilité spécificité est donc une courbe que l’on obtient en faisant varier le seuil de classification appelée classiquement courbe ROC.
Le classifieur montre des performances équivalentes à celles des dermatologues jusqu’au niveau « mélanome probable ». Il est plus performant au niveau « lésions douteuses ». Ce résultat s’explique par le fait que l’éducation des dermatologues sur la détection des mélanomes s’est essentiellement construite sur l’observation d’images typiques de mélanomes et de lésions bénignes, ce qui n’est pas le cas du classifieur, qui a acquis ses compétences sur bon nombre de lésions atypiques.

L’utilisation de la solution d’intelligence artificielle au service de la peau SkinApp, proposée par ANAPIX medical, permet de remédier à ce problème, puisque les utilisateurs de la plateforme ont toutes les facilités pour observer rétroactivement les images des lésions dont ils ont fait l’exérèse lors du retour du compte-rendu anatomopathologique.

Enfin, il faut noter que la décision thérapeutique à propos des petites lésions de la peau (ainsi que leur diagnostic) fait intervenir d’autres facteurs comme l’historique de la tumeur, son évolution, sa localisation, son épaisseur … qui ne sont pas actuellement pris en compte par l’algorithme SKINAN. La réponse du classifieur doit donc être considérée comme un élément contributif à la décision, élément qui peut être déterminant mais surement pas exclusif.