Ross Mitchell, chercheur Amii et titulaire de la chaire CIFAR en IA au Canada, et une équipe de l’Université de l’Alberta ont obtenu une nouvelle subvention d’un million de dollars des Instituts de recherche en santé du Canada (IRSC) pour développer et tester de nouveaux outils d’IA susceptibles d’aider les médecins à diagnostiquer et à suivre les maladies inflammatoires chroniques de l’intestin (MICI), telles que la maladie de Crohn.

Selon Mitchell, ce projet permettra de faire progresser à la fois l'apprentissage automatique dans le domaine de la santé et notre compréhension des MICI.

« Ce besoin médical a donné lieu à une avancée dans le domaine de l'informatique, qui, à son tour, a eu un effet de retombée et va déboucher sur une avancée médicale », explique-t-il.

Environ 322 600 Canadiens sont atteints d’une forme ou d’une autre de MICI, selon un rapport de 2023 publié par Crohn et Colite Canada. Et ce nombre augmente rapidement : on estime que les MICI toucheront environ 1,1 % de la population canadienne (470 000 personnes) d’ici 2035.

Les maladies inflammatoires chroniques de l'intestin ont un impact considérable sur la vie des personnes qui en souffrent. Elles sont également extrêmement difficiles à diagnostiquer et à suivre avec précision. Même les symptômes graves peuvent être vagues et difficiles à décrire à un médecin, car ils se confondent souvent avec ceux d'autres affections intestinales.  

L'évolution des MICI peut être suivie à l'aide d'un scanner, mais il s'agit d'un processus lent et imparfait. L'inflammation peut souvent échapper aux examens d'imagerie en raison d'une obstruction et de la longueur de l'intestin, qui varie entre 4,5 et 6 mètres chez un adulte. Même lorsque l'inflammation est détectée par un scanner, elle peut être difficile à repérer à l'œil nu, même pour un radiologue expérimenté.

L'équipe de l'Université de l'Alberta a obtenu une subvention pour améliorer ce processus. Composée d'experts en informatique, en radiologie, en épidémiologie et en gastro-entérologie, cette équipe utilise des milliers d'examens d'imagerie de patients pour développer et valider un modèle d'intelligence artificielle capable de repérer automatiquement les limites du tractus intestinal sur les tomodensitométries des personnes atteintes de MICI. Ce processus, appelé « segmentation », constitue la première étape vers l’objectif ultime de Mitchell : identifier des indicateurs médicaux spécifiques, appelés biomarqueurs, qui pourraient aider les médecins à suivre l’évolution de la maladie d’un patient, ce qui permettrait d’améliorer le traitement.

« Pour l’instant, nous ne disposons pas de biomarqueur quantitatif. Nous ne pouvons pas dire : “Oh, l’année dernière à la même époque, 20 % de votre intestin était touché, et cette année, c’est 25 %.” Par conséquent, votre maladie s’est aggravée, et nous allons changer votre traitement pour passer du médicament A au médicament B », explique-t-il.

Pour développer cet outil, Mitchell explique qu’ils ont accès à 11 208 tomodensitométries abdominales spécialisées provenant de 105 hôpitaux de l’Alberta, extraites d’un vaste ensemble de données regroupant les examens de plus de 70 000 patients albertains atteints de MICI. (Mitchell avait utilisé ce même ensemble de données pour un projet l’année dernière, mettant en évidence un lien entre les diagnostics de MICI et l’anxiété ou la dépression.)

En les combinant avec d'autres images issues de bases de données publiques, les chercheurs disposent désormais de plus de 20 000 images — le plus grand ensemble de données jamais constitué pour la segmentation intestinale par IA.

Mais Mitchell s'empresse de souligner que ce n'est pas seulement la taille de l'ensemble de données qui compte, mais aussi sa qualité.

Ou plutôt, le manque de qualité.

Mitchell explique que la plupart des ensembles de données accessibles au public destinés à l’entraînement de modèles sur des images intestinales proviennent d’essais cliniques. Il s’agit généralement de clichés de très haute qualité, pris avec une grande précision, représentant des intestins sains. Or, les intestins enflammés présentent un aspect différent de celui des intestins sains. De plus, les clichés de très haute qualité réalisés lors des essais cliniques ne correspondent pas aux images plus rapides, souvent moins nettes, qu’un patient ferait réaliser dans un service d’imagerie ou à l’hôpital. Entraîner un modèle sur les types d’images réellement observées par un radiologue chez un patient atteint d’une MICI signifie qu’il aura plus de chances de réaliser correctement cette segmentation.

La subvention des IRSC, intitulée « Développement interdisciplinaire de l’IA pour la transposition clinique de la segmentation du tractus intestinal dans les maladies inflammatoires chroniques de l’intestin », octroie un financement de 1 040 400 dollars sur cinq ans à l’équipe afin de mettre au point l’outil et d’en valider l’efficacité. Mitchell précise que la subvention a été acceptée dès la première demande, ce qui est rare pour les subventions des IRSC, qui nécessitent souvent plusieurs cycles de candidature s’étalant sur deux à trois ans.  Il s’agit de l’une des 39 subventions accordées en Alberta par les IRSC, sur un total de plus de 315 demandes. Il attribue cette acceptation rapide à la fois à l’impact qu’un meilleur suivi des MICI pourrait avoir pour des centaines de milliers de Canadiens, et au fort potentiel de l’IA pour rendre l’imagerie médicale plus efficace et améliorer l’accès aux soins pour les populations défavorisées.