L'IA en dermatologie
La peau est l’organe le plus grand et le plus visible du corps, la dermatologie est donc un choix naturel pour l’IA basée sur l’image.
Aperçu
Deep learning can classify skin lesions, including potentially deadly melanoma, from photographs at a level that rivals board-certified dermatologists.
Plongée profonde
Une étude pivot de Nature réalisée en 2017 par des chercheurs de Stanford a formé un réseau neuronal convolutionnel sur environ 130 000 images cliniques et a montré qu'il pouvait classer les cancers de la peau, y compris le mélanome et les carcinomes, avec autant de précision que 21 dermatologues certifiés. Depuis lors, des modèles ont été intégrés aux applications pour smartphones et aux outils de dermoscopie qui analysent les images agrandies et polarisées que les dermatologues utilisent pour inspecter les grains de beauté. La promesse est le tri : aider les médecins de premier recours et les patients à décider quels endroits nécessitent une biopsie urgente, en particulier là où les dermatologues sont rares. Mais la dermatologie a mis en lumière un problème flagrant d’équité. La plupart des ensembles de données d'entraînement sont dominés par les peaux claires, de sorte que les modèles fonctionnent souvent moins bien sur les peaux plus foncées, où le mélanome est plus rare mais plus mortel lorsqu'il est manqué. La création d’ensembles de données diversifiés tels que Fitzpatrick 17k et Diverse Dermatology Images est désormais une priorité majeure.
Aperçu technique
Ces systèmes sont généralement des CNN ou des transformateurs de vision entraînés sur des images cliniques et dermoscopiques étiquetées, souvent validées par des diagnostics confirmés par biopsie (l'étalon-or). La dermoscopie ajoute un grossissement et une lumière à polarisation croisée qui révèle des pigments souterrains et des motifs vasculaires invisibles à l'œil nu. Un piège connu : les modèles peuvent apprendre de faux raccourcis, comme signaler les lésions photographiées à côté d'un marqueur cutané chirurgical ou d'une règle comme malignes, car ces marqueurs sont apparus principalement dans les images de cancer pendant la formation.
Impact stratégique
Contexte et règles
Le contexte industriel détermine si les idées d’IA survivent au contact avec la réalité.
Contrôle qualité
Les contraintes de domaine influencent les taux d'erreur acceptables et les modèles de surveillance.
Choix de construction
Les déploiements réussis alignent les capacités techniques sur les flux de travail de première ligne.
L'avenir de l'IA en dermatologie
Les applications de triage réglementées et les assistants de dermoscopie deviendront des outils de routine de première intention, étendant le dépistage de niveau spécialisé à la médecine générale et aux zones mal desservies. Combler l'écart de performance en matière de teint grâce à divers ensembles de données constitue le principal défi en matière d'équité dans le domaine et un effort de recherche actif. La photographie du corps entier avec détection des changements par l'IA permettra de suivre chaque grain de beauté au fil du temps, et des modèles multimodaux combinant des images avec l'historique du patient et même le risque génétique devraient permettre de déterminer qui a réellement besoin d'une biopsie.
Mise en œuvre dans le monde réel
Le Stanford CNN 2017 a classé les cancers de la peau à partir d'environ 130 000 images, à égalité avec 21 dermatologues certifiés, un résultat fondamental pour le domaine.
Les applications pour smartphone et dermoscopie trient les grains de beauté suspects, aidant ainsi les patients et les médecins de premier recours à décider ce qui nécessite un examen urgent par un spécialiste.
Les systèmes de photographie du corps entier utilisent l’IA pour comparer les images au fil du temps et signaler les lésions nouvelles ou changeantes chez les patients à haut risque.
Divers ensembles de données tels que Fitzpatrick 17k et Diverse Dermatology Images sont en cours de création pour réduire la moindre précision de l'IA sur les peaux plus foncées.
Risques et garde-fous
Les exigences réglementaires peuvent invalider des prototypes autrement solides.
Les données historiques peuvent coder des préjugés qui nuisent à des communautés spécifiques.
Les systèmes existants peuvent créer des goulots d'étranglement en matière d'intégration et des coûts cachés.
Feuille de route de mise en œuvre
Impliquez des experts du domaine, de la formulation du problème à l’évaluation.
Concevoir des pistes d'audit et de la documentation avant le lancement.
Validez tôt les obligations de conformité et de sécurité.
Déployez par phases avec des critères d’arrêt et de restauration clairs.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Dermatology quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
L'IA dans l'espace et les satellites
Questions fréquemment posées
What is AI in Dermatology?
La peau est l’organe le plus grand et le plus visible du corps, la dermatologie est donc un choix naturel pour l’IA basée sur l’image. L’apprentissage profond peut classer les lésions cutanées, y compris les mélanomes potentiellement mortels, à partir de photographies à un niveau qui rivalise avec celui des dermatologues certifiés.
Qu’a démontré l’étude historique de Stanford en dermatologie en 2017 ?
Formé sur environ 130 000 images, le Stanford CNN a égalé les performances diagnostiques de 21 dermatologues certifiés dans la classification des cancers de la peau, une preuve de concept fondamentale pour le domaine.
Qu’est-ce qu’un problème majeur d’équité documenté dans l’IA dermatologique ?
Les ensembles de données d'entraînement ont toujours été dominés par les peaux claires, de sorte que les modèles sont souvent sous-performants sur les peaux plus foncées, où le mélanome est plus rare mais plus souvent mortel lorsqu'il est manqué.
Qu’ajoute la dermoscopie à une photographie de peau standard ?
La dermoscopie utilise le grossissement et la lumière polarisée pour exposer les pigments et les structures vasculaires sous la surface de la peau que l'œil nu ne peut pas voir, donnant ainsi à l'IA des caractéristiques plus riches à analyser.
Quel raccourci fallacieux les modèles de dermatologie ont-ils été surpris en train d’apprendre ?
Étant donné que les marqueurs et règles cutanés chirurgicaux apparaissaient principalement dans les images de cancers préparés pour la biopsie, certains modèles ont appris à associer ces marqueurs à la malignité plutôt qu'à la lésion elle-même.
Quel est le « étalon-or » par rapport auquel ces modèles sont généralement validés ?
Une IA dermatologique fiable est validée par rapport aux diagnostics confirmés par biopsie, la référence en histopathologie, plutôt que par les seules étiquettes visuelles non vérifiées.