Toutes les actualités sont rigoureusement vérifiées et examinées par des experts de la blockchain et des professionnels du secteur.
- L’Artificial Superintelligence Alliance a lancé un modèle d’IA spécialisé dans la détection du cancer dans les ganglions lymphatiques.
- Le nouveau système de détection des tumeurs en pathologie utilise des techniques avancées d’apprentissage profond. Il analyse ainsi les images médicales et réduit considérablement la charge de travail des pathologistes.
L’Alliance pour la Superintelligence artificielle (ASI) a présenté un nouveau modèle d’IA spécialisé dans la détection des tumeurs pathologiques. De famille de modèles Medici, il vise à améliorer le diagnostic du cancer grâce à l’intelligence artificielle. De plus, Fetch.ai a intégré et mis sur le marché ce modèle dans le cadre de l’initiative de l’ASA. Par cette action il voulait développer des modèles fondamentaux spécifiques à un domaine pour relever des défis complexes en matière de soins de santé.
Le modèle de détection des tumeurs pathologiques fonctionne avec l’ASI grâce à une architecture de mélange d’experts. Ce système se concentre spécifiquement sur l’identification des métastases des ganglions lymphatiques chez les patients atteints de cancer, avec une attention particulière pour les cas de cancer du sein. L’approche ciblée répond à un besoin médical critique ayant des implications significatives sur les résultats des patients et les décisions de traitement.
Par ailleurs, les systèmes de santé du monde entier sont confrontés à une augmentation des taux de cancer et à une pénurie constante de pathologistes. Les solutions basées sur l’IA comme celle-ci permettent d’améliorer les capacités de diagnostic et l’efficacité. De plus, la technologie promet de meilleurs soins aux patients grâce à une stadification plus précise du cancer et à une meilleure planification des traitements.
Répondre aux besoins essentiels en matière de soins de santé
La détection des métastases dans les ganglions lymphatiques permet de mieux diagnostiquer du cancer et de planifier le traitement. La propagation des cellules cancéreuses aux ganglions lymphatiques voisins marque un tournant dans la progression du cancer. Ce facteur influence fortement le système de stadification TNM et oriente les décisions en matière de chirurgie, de chimiothérapie et de radiothérapie.
Dans les cas de cancer du sein, les ganglions lymphatiques axillaires sont souvent le premier site où la maladie se propage au-delà de la tumeur primaire. Une étude récente basée sur la population a révélé qu’environ 26 % des patientes atteintes d’un cancer du sein avaient des ganglions lymphatiques positifs au moment du diagnostic. L’identification précoce et précise de ces métastases reste cruciale mais difficile pour les pathologistes qui doivent examiner manuellement des images haute résolution de lames entières.
Le nouveau modèle de l’ASA relève ces défis grâce à des techniques avancées d’apprentissage profond. En combinant les réseaux neuronaux convolutifs et les transformateurs visuels, le système peut analyser des modèles complexes dans les données d’imagerie médicale qui pourraient poser problème aux cliniciens humains. Cette approche a démontré des améliorations significatives en termes de précision, atteignant des résultats de pointe sur des ensembles de données établis.
Impact sur le marché et potentiel futur
Le marché mondial des laboratoires de pathologie s’élève actuellement à 386,18 milliards de dollars, avec une croissance prévue de 8,1 % par an jusqu’en 2030. Les laboratoires hospitaliers dominent actuellement avec une part de 55,7 % des revenus. La technologie de l’ASA entre sur ce marché en expansion avec le potentiel d’influencer plusieurs aspects de la pratique de l’oncologie et de la pathologie.
Le modèle pourrait améliorer la précision du diagnostic dans l’identification des métastases ganglionnaires, en réduisant les faux positifs et négatifs. Cette précision accrue permet de mieux planifier la stadification et le traitement du cancer. Des études récentes montrent que l‘assistance de l‘IA dans l’examen de la pathologie peut réduire le temps d’examen des diapositives de 27 à 34 % tout en maintenant la précision du diagnostic.
Plusieurs possibilités de revenus existent pour cette technologie. Il y a notamment :
- l’accès par abonnement pour les établissements de santé,
- les licences d’intégration avec les systèmes de laboratoire existants,
- les partenariats de recherche et
- les modèles de soins fondés sur la valeur.
Le système est confronté à la concurrence d’entreprises établies de pathologie IA, de plateformes de pathologie numérique et de développeurs d’algorithmes spécialisés.
