UC San Diego Health utilise AWS pour implémenter en 10 jours un modèle de traitement des images par l'intelligence artificielle

Lorsque la pandémie de COVID-19 a frappé les États-Unis au printemps 2020, les chercheurs d'UC San Diego Health avaient déjà développé un modèle de reconnaissance des images qui utilisait le machine learning pour identifier la pneumonie dans les cas difficiles à détecter. Comme la pneumonie est rapidement devenue l'un des principaux indicateurs d'une infection grave chez les patients du COVID-19, le Dr. Mike Hogarth, responsable de l'information sur la recherche clinique au sein de UC San Diego Health, a demandé à Amazon Web Services (AWS) de l'aider à mettre en place un système d'application du modèle dans un cadre clinique qui permettrait aux médecins d'utiliser les informations dans le diagnostic et le traitement.

Lorsque les fichiers et les informations sur les patients sont utilisés pour la santé, la sécurité des données est vitale. Le système pour appliquer le modèle basé sur l'intelligence artificielle devait permettre à UC San Diego Health de répondre à des règles strictes pour être en conformité avec la loi HIPAA dans un environnement clinique. UC San Diego Health avait déjà implémenté des solutions de conformité similaires sur AWS, et cette expérience lui a permis de créer son propre système sur mesure en seulement 10 jours à l'aide d'AWS.

UC San Diego Health fait partie des 15 meilleurs université de recherche du monde. L'UC San Diego School of Medicine mène des centaines d'essais cliniques chaque année, et l'UCSD Health Services Research Center est spécialisé dans la collecte et l'analyse des données sur les résultats en matière de santé pour soutenir la recherche. EN 2018, une équipe d'UC San Diego Health, dirigée par le Dr. Albert Hsiao, professeur agrégé de radiologie à l'UC San Diego School of Medicine, a développé une solution permettant de détecter la pneumonie dans les radiographies à l'aide du machine learning. « Nous avons créé une carte de probabilités dotée d'un code couleur indiquant le degré de certitude de la présence d'une pneumonie », indique Dr. Brian Hurt, un interne de l'équipe du Dr. Hsiao. Selon le Dr. Hsiao, « généralement, les modèles génèrent simplement un résultat positif ou négatif, indiquant s'il s'agit d'une pneumonie ou non. Mais nous pensions que produire une image était important pour montrer où se trouvent les anomalies. » L'équipe a publié un rapport sur ces résultats début 2020.

L'équipe d'UC San Diego Health avait déjà utilisé AWS pour créer un environnement sécurisé et conforme à la loi HIPAA pour ses données de recherche. « L'une de mes premières missions au sein de UC San Diego Health était de créer un environnement où des informations de santé protégées pouvaient servir pour le calcul et être déplacées au besoin », explique le Dr. Hogarth. « Nous avions des réunions hebdomadaires avec AWS pour optimiser cet environnement, et lorsque la pandémie du COVID-19 battait son plein, les équipes d'AWS nous ont demandé comment elles pouvaient nous aider et si nous avions besoin de quelque chose. » Le modèle de l'équipe du Dr. Hsiao nous est directement venu à l'esprit.

L'objectif était d'implémenter un système capable d'exécuter le modèle sur des radiographies, de prendre en compte le contexte clinique et de renvoyer des résultats rapidement pour faciliter le diagnostic. « De nombreux modèles créés dans des laboratoires comme le nôtre sont potentiellement prometteurs, mais ne sont pas très utiles s'ils ne sont pas créés dans le flux clinique », précise le Dr. Hsiao. Une telle implémentation pourrait affecter le diagnostic, le traitement et les résultats des patients atteints du COVID-19. « Les observations sur la pneumonie due au COVID-19 sont pratiquement les mêmes que celles de n'importe quelle autre pneumonie virale », indique-t-il. « Le modèle entraîné par Brian donne de bons résultats dans cette population, car il détecte correctement la pneumonie de manière générale. » Le modèle est utile pour deux raisons. Premièrement, s'il détecte la pneumonie dans une radiographie, il invite à effectuer un test ou à en effectuer un nouveau en cas de résultat antérieur négatif (probablement faux). Ensuite, chez les patients atteints d'une infection connue, la détection d'une pneumonie sur une radiographie peut indiquer la gravité ou orienter le pronostic, et ainsi contribuer à la mise au point des traitements.

L'équipe de recherche d'UC San Diego Health avait déjà configuré le modèle pour qu'il recueille les images et les renvoie avec une couche de code couleur. Elle n'avait besoin que d'une solution cloud qui pouvait se connecter au système d'imagerie clinique pour recevoir les images et les renvoyer directement dans les fichiers des patients afin qu'elles puissent être consultées et examinées par le corps médical. Puisque l'équipe avait déjà créé des environnements conformes à la loi HIPAA sur AWS, elle a pu monter le projet en à peine 10 jours. « Lors de son premier jour d'exécution sur AWS, le modèle a traité environ 400 radiographies avec très peu de bogues », indique le Dr. Hogarth. Dans les 6 mois qui ont suivi l'implémentation, le modèle a traité plus de 65 000 radiographies, chacune en 3 à 4 minutes.

Ce qui rend le modèle si utile, c'est qu'il est capable de fournir des informations aux médecins sur le lieu des soins. Les équipes d'AWS ont été indispensables non seulement pour le concrétiser, mais également pour qu'il soit simple et facile à maintenir. Selon le Dr. Hogarth, parmi les 500 membres que compte l'équipe informatique d'UC San Diego Health, une seule personne est responsable de la conformité continue avec la loi HIPAA et les autres réglementations dans l'environnement AWS. Et pour ce qui est de l'implémentation du modèle créé par l'équipe du Dr. Hsiao dans le contexte clinique, les instances Amazon Elastic Compute Cloud (Amazon EC2) sont idéales. L'environnement offre les configurations de sécurité dont l'équipe a besoin et est simple à redimensionner lorsque la capacité de calcul augmente.

Un récent rapport publié par le Journal of the American College of Emergency Physicians Open indique que l'implémentation de ce modèle impacte 20 % des décisions cliniques. « Il y a plusieurs choses dont nous savons qu'elles impactent réellement la prise de décision en ce sens », affirme le Dr. Hsiao. La précision initiale du modèle est de 86 %, et l'équipe déploiera bientôt une version plus précise qui servira pour les pneumonies généralement non détectées car situées derrière le cœur.

L'évaluation de l'aide aux décisions cliniques basée sur le machine learning dans les flux existants sur le lieu de soins est importante, mais reste relativement rare. Bien que l'évaluation de cet outil d'analyse d'imagerie en est à ses débuts, des données empiriques prouvent que son impact est positif. Récemment, un patient âgé de 78 ans a été reçu pour de la fièvre et des douleurs abdominales. Les médecins n'ont pas pensé à un diagnostic du COVID-19, mais le modèle montrait des signes de pneumonie sur une radiographie du thorax. Ils ont donc testé le patient, qui s'est avéré être positif au virus.

L'équipe du Dr. Hsiao prévoit de maintenir et d'affiner le modèle, mais l'idée d'évaluer les algorithmes de machine learning et d'intelligence artificielle sur le lieu de soins présente des applications potentielles dans un large éventail d'autres recherches en soins de santé. « Pour nous, c'est un pipeline de données et d'aide aux décisions », indique le Dr. Hogarth. « Nous avons démontré l'utilisation du pipeline avec ces images, mais de nombreuses autres applications sont possibles. »