IA et Otoscopie : le diagnostic automatisé pour demain ?
L’intelligence artificielle possède un champ d’application extrêmement large qui ne se restreint pas au domaine de la radiologie. Les images obtenues par l’examen clinique peuvent aussi être traitées par des algorithmes. Plusieurs travaux se sont ainsi intéressés à l’otoscopie, examen fréquent, réalisé aussi bien par les médecins spécialistes que généralistes. Pour quelles problématiques et avec quels résultats ?
L’objectif du diagnostic automatisé
Sur la majorité des travaux effectués, les auteurs soulignent l’intérêt du diagnostic automatisé pour gagner du temps lors de la consultation, diminuer le risque d’erreur en apportant un second avis, mais aussi permettre un premier screening dans les zones de déserts médicaux, où aucun médecin ne pourrait interpréter les images obtenues en otoscopie.
Les otites, les lésions tympaniques (perforations ou rétractions) et les tympanosclérose sont les principales pathologies étudiées. La recherche de bouchons de cerumen ou de matériel d’aération tympanique sont parfois étudiés. Les techniques de data sciences mobilisées diffèrent selon les équipes.

PLOS ONE | https://doi.org/10.1371/journal.pone.0229226 March 12, 2020 L’algorithme surligne automatiquement la zone d’intérêt , ici bouchon de cerumen et tympanosclérose dans ce travail de Viscaino et al.

D. Cha et al. / EBioMedicine 45 (2019) 606–614 609 : travail de classification d’images otoscopiques par des CNN
L’intérêt des datasets
Les réseaux de neurones de type CNN sont fréquemment employés, même si certaines équipes travaillent aussi avec des méthodes plus anciennes comme le classique K-mean , le SVM ou les decision tree (Viscaino et al , Plos One, 2019). Les datasets sont, pour la plupart, de taille assez restreinte puisque sur 3 études d’une méta analyse de 2020 (Bayu et al, 2020) , le nombre d’examens varie entre 734 et 1277 images. Une dernière étude publiée en 2019 par Cha et al dans Ebiomedicine, est par contre plus puissante puisqu’elle utilise un dataset de plus de 10 000 cas.
Résultats et interprétations
Les résultats sont extrêmement encourageants: avec des AUC, quelles que soient les variables étudiées, comprises entre 84,4% et 91,4%. Les sensibilités sont comprises entre 78 et 89,5 % pour des spécificités entre 93 et 93,3 %. (Tama et al, CEO, 2020).
Finalement, cette thématique peut être un excellent entraînement pour des médecins qui souhaiteraient s’initier à l’intelligence artificielle et aux réseaux de neurones pour classifier des images. Il existe un dataset en téléchargement libre et gratuit sur ctganalysis.com. Nous l’avons par exemple chargé sur notre plateforme CLEVERDOC, pour permettre de tester et d’entraîner facilement des réseaux de neurones.

Extrait du data set “Tympan” sur la plateforme Cleverdoc (2021).
A terme, ce type d’algorithme pourra très bien être directement intégré dans les otoscopes pour assister les médecins, faciliter le diagnostic et apporter une aide à la première analyse dans les déserts médicaux. L’intelligence artificielle augure ainsi d’une médecine augmentée aux applications très concrètes.
Pour en savoir plus sur notre solution d’intelligence artificielle pour l’imagerie biomédicale, rendez-vous sur notre site.
Bibliographie sélective :
Habib, A. R., Wong, E., Sacks, R., & Singh, N. (2020). Artificial intelligence to detect tympanic membrane perforations. The Journal of Laryngology & Otology, 134(4), 311-315.
Livingstone, D., Talai, A. S., Chau, J., & Forkert, N. D. (2019). Building an Otoscopic screening prototype tool using deep learning. Journal of Otolaryngology-Head & Neck Surgery, 48(1), 1-5.
Cha, D., Pae, C., Seong, S. B., Choi, J. Y., & Park, H. J. (2019). Automated diagnosis of ear disease using ensemble deep learning with a big otoendoscopy image database. EBioMedicine, 45, 606-614.
Tama, B. A., Do Hyun Kim, G. K., Kim, S. W., & Lee, S. (2020). Recent Advances in the Application of Artificial Intelligence in Otorhinolaryngology-Head and Neck Surgery. Clinical and Experimental Otorhinolaryngology, 13(4), 326.